Чему вы научитесь Понимать ключевые принципы машинного обучения и типы задач (регрессия, классификация, кластеризация). Готовить данные: очистка, обработка выбросов, кодирование категорий, масштабирование. Работать с NumPy, Pandas и визуализировать данные (Matplotlib, Seaborn, Plotly). Разрабатывать модели на Scikit-learn: от линейной регрессии до бустингов (XGBoost, LightGBM, CatBoost). Оценивать модели по метрикам (accuracy, precision, recall, F1, ROC-AUC) и проводить валидацию. Оптимизировать гиперпараметры (GridSearchCV, Optuna, Hyperopt) и собирать ансамбли. Строить нейронные сети в PyTorch и TensorFlow (CNN, RNN, Transfer Learning). Решать задачи рекомендаций, временных рядов, кластеризации и детекции аномалий. Интерпретировать модели (SHAP, LIME) и учитывать bias/fairness. Версионировать эксперименты и модели (MLflow, DVC). Собирать REST API для ML-моделей (FastAPI). Упаковывать и деплоить модели (Docker, Streamlit, облачные сервисы). Настраивать мониторинг и перезапуск моделей в продакшене (Evidently, Prometheus). Разрабатывать end-to-end ML-проекты и оформлять GitHub-портфолио. Готовиться к собеседованиям на позиции ML/DS/ML Engineer (алгоритмы, SQL, системный дизайн). О курсе Этот курс — про инженерную сборку ML-систем под реальные условия продакшена. Вы пройдёте путь от чистого ноутбука и базовой модели до полностью работающего сервиса: с пайплайном данных, API, CI/CD и мониторингом. Внутри — не только «как обучить модель», но и то, что важно в эксплуатации: версионирование экспериментов (MLflow, DVC), контейнеризация и деплой (Docker, FastAPI), автоматизация пайплайнов (Airflow), контроль качества (Evidently), алерты, retraining и управление зависимостями. Отдельные блоки посвящены оптимизации гиперпараметров, интерпретации моделей и принципам надёжности ML-сервисов. Ничего лишнего: каждое занятие завершается практическим артефактом — обученной моделью, пайплайном, Docker-образом или эндпоинтом. Все проекты запускаются «из коробки» и воспроизводятся по инструкциям. Итог курса На выходе вы соберёте и задеплоите end-to-end ML-продукт: подготовка данных, обучение модели, REST API, контейнеризация, деплой в облако и мониторинг метрик. Получившийся проект можно добавить в портфолио и использовать как базу для продакшн ML-систем. Для кого этот курс Для всех, кто хочет уверенно войти в машинное обучение и доводить модели до продакшена. Подойдёт студентам, начинающим аналитикам, разработчикам и Data Scientist’ам, которые хотят системно понять, как строятся реальные ML-сервисы — от идеи и данных до готового API и мониторинга. Курс не требует глубоких математических знаний — всё нужное разбирается по ходу практики. Программа курса 1. Введение в ML: Что такое машинное обучение и где оно применяется История и современные тренды Классы задач ML (регрессия, классификация, кластеризация, генера Настройка окружения (Python, Jupyter, библиотеки) Git основы для ML-проектов 2. Математические основы ML: Линейная алгебра для ML Основы статистики Теория вероятностей Оптимизация и градиенты 3. Python для машинного обучения: Основы Python для DS/ML Типы данных и коллекции в Python Работа с NumPy Pandas: анализ табличных данных Визуализация: Matplotlib и Seaborn Plotly: интерактивные графики Scikit-learn: базовые возможности Практикум: первая модель классификации 4. Сбор и подготовка данных: Источники данных: CSV, SQL, API, web scraping Парсинг данных (requests, BeautifulSoup, Scrapy) Работа с JSON, XML, Parquet Очистка данных и обработка пропусков Выбросы и методы их обработки Масштабирование данных Кодирование категориальных переменных Балансировка классов Практикум: подготовка датасета 5.Классические алгоритмы ML: Линейная и логистическая регрессия KNN и методы ближайших соседей Деревья решений и Random Forest SVM Наивный Байес Метрики качества: accuracy, precision, recall, F1, ROC-AUC Валидация моделей Практикум: сравнение алгоритмов 6. Ансамбли и настройки моделей: Bagging и Random Forest Boosting: AdaBoost, Gradient Boosting XGBoost, LightGBM, CatBoost GridSearchCV и RandomizedSearchCV Байесовская оптимизация Hyperopt, Optuna Ensemble Stacking Отслеживание экспериментов (MLflow) Практикум: подбор гиперпараметров 7. Глубокое обучение: Что такое нейронные сети и как они устроены Функции активации, loss-функции, оптимизаторы Регуляризация: Dropout, BatchNorm PyTorch основы TensorFlow/Keras основы CNN для изображений RNN и LSTM Attention и Seq2Seq Transfer Learning Практикум: классификация изображений 8. Специализированные задачи ML: Кластеризация: KMeans, DBSCAN Обнаружение аномалий Рекомендательные системы Анализ временных рядов: ARIMA, Prophet, LSTM Интерпретируемость моделей: SHAP и LIME Bias и fairness в ML Практикум: рекомендательная система 9. MLops и продакшн: Жизненный цикл ML-проекта Версионирование моделей (MLflow, DVC) Сериализация моделей REST API для моделей (FastAPI) Docker для ML Деплой: Streamlit и облако Мониторинг моделей Best practices в ML в продакшне Практикум: end-to-end проект 10. Подготовка к собеседованиям: Типовые вопросы по ML и DL Математика на собеседовании Алгоритмы и структуры данных SQL для ML-инженеров Python coding challenges Системный дизайн ML-систем Разбор реальных кейсов Как оформить портфолио и GitHub Итоговый проект На выходе вы получите: системное понимание ML и MLOps рабочее портфолио (5+ проектов) финальный end-to-end ML-сервис с автообновлением модели и мониторингом
