ML-инженер с модулем по ИИ

Курс «ML-инженер» с модулем по ИИ/ За 12 месяцев освоите востребованную профессию и получите реальный опыт: пройдёте полный цикл ML‑проекта — от подготовки данных и обучения моделей до внедрения и поддержки В этом курсе: Актуальная программа 2026 года и навыки, которые нужны работодателям Обучаем как классическим ML-алгоритмам, так и нейросетям 18+ проектов и хакатон на данных из разных индустрий Подготовка к техническим собеседованиям и презентация прошлого опыта Учиться будет несложно, если вы: Новичок в ML с технической базой Знаете синтаксис Python и можете выполнять базовые операции Математик без опыта разработки на Python Понимаете линейную алгебру, теорию вероятностей и статистику Аналитик без опыта в ML Можете писать базовые SQL‑запросы и знаете основы Python Перед стартом основного курса есть подготовительный модуль. Для комфортного обучения нужны базовые технические знания. Усилите навыки с помощью нейросетей чтобы они работали вместе с вами, а не вместо вас: 73% работодателей поддерживают применение ИИ сотрудниками, а больше половины — обращают внимание на эти навыки при найме Будете с помощью ИИ генерировать код на Python, проводить его диагностику и исправлять ошибки Сможете применять ИИ для создания SQL‑запросов по требованиям бизнеса Научитесь писать промпты для создания визуализаций и графиков Освоите популярные AI‑инструменты: ChatGPT, DeepSeek, Cursor, Claude, Алиса AI Нагрузка: ~15 часов в неделю Программа: Бесплатная часть: Знакомство с машинным обучением и входное тестирование Подготовительный модуль (необязательный, 2–6 недель) 1 спринт. Обработка данных в SQL 2 спринт. Знакомство с базами данных 3 спринт. Большой проект по обработке данных 4 спринт. Предобработка данных в Python 5 спринт. Исследовательский анализ и визуализация с Python 6 спринт. Инструменты разработки и основы ООП 7 спринт. Большой проект по исследовательскому анализу 8 спринт. Подготовка данных для машинного обучения 9 спринт. Первые модели и оценка качества 10 спринт. Продвинутые линейные модели и регуляризация 11 спринт. Нелинейные модели и деревья решений 12 спринт. Ансамблевые методы 13 спринт. Продвинутый отбор признаков и интерпретация предсказаний модели 14 спринт. Обучение без учителя 15 спринт. Введение в нейронные сети и основы PyTorch 16 спринт. Рекуррентные нейросети и трансформерные модели 17 спринт. Большой проект по ML-алгоритмам Дополнительно. Инструменты для ускорения ML-разработки 18 спринт. Построение ML-пайплайнов и оркестрация 19 спринт. Разработка веб-сервисов на базе REST API 20 спринт. Контейнеризация веб-сервисов 21 спринт. A/B-тесты и мониторинг 22 спринт. Большой проект по внедрению модели в продакшн Дополнительно. Подготовка к техническим собеседованиям 23 спринт. Итоговый проект базового тарифа 24 спринт. Нейросети для ML-инженеров 25 спринт. Основы работы с большими данными 26 спринт. Обработка данных в Apache Spark 27 спринт. Классические методы NLP и подготовка текстов (совместно с ШАД) 28 спринт. Архитектура трансформеров и устройство LLM 29 спринт. Построение RAG-систем и методы поиска 30 спринт. Мультимодальность и дообучение LLM 31 спринт. Проектный месяц Спойлер: Подробно Бесплатная часть: Побудете в роли ML-инженера, пройдёте тест и поймёте, нужен ли вам подготовительный модуль. 6 часов обучения. Кто такой ML-инженер Кейс ModaFlow Как обучить модель на исходных данных Как создать новые признаки Как настроить модель Практика: поработаете с готовой моделью и улучшите результаты её предсказания Входной тест: выполните тест, который поможет понять, достаточно ли у вас знаний и нужно ли проходить подготовительный модуль Подготовительный модуль: 2–6 недель. Это необязательный блок, который даёт базовые технические знания, чтобы вы уверенно чувствовали себя на старте программы Основы SQL Основы Python Линейная алгебра Математический анализ Теория вероятностей 1 спринт. Обработка данных в SQL: Введение в машинное обучение Связи между таблицами Работа с пропущенными значениями и дубликатами Присоединение таблиц Операции множеств и подзапросы Категоризация значений, создание новых столбцов Работа с датой и временем Практика: написание SQL-запросов в рамках задачи по подготовке данных Анализ данных и решение ad-hoc-задач. 1 проект 2 спринт. Знакомство с базами данных: Оконные и агрегирующие функции Оконные ранжирующие функции Оконные функции смещения Описательная статистика, аналитические функции Практика: решение ad-hoc-задач Проект: решение аналитических запросов с помощью SQL. 1 проект 3 спринт. Большой проект по обработке данных: Закрепите навыки обработки данных: очистите и подготовите их для анализа, соберёте витрину данных для решения задачи бизнеса, оформите отчёт Проект: обработка данных и создание витрины для решения бизнес-задачи 1 проект 4 спринт. Предобработка данных в Python: Основы библиотеки pandas, обзор данных Типы данных, работа с датой и временем Индексация в датафреймах, фильтрация данных Предподготовка данных Категоризация данных Практика: подготовка сырых данных для анализа с помощью Python. 1 проект 5 спринт. Исследовательский анализ и визуализация с Python: Объединение датафреймов, срезы данных Описательная статистика Взаимосвязь переменных Визуализация для изучения данных Сводные таблицы Пример исследовательского анализа данных Проект: исследовательский анализ данных для решения бизнес-кейса. 1 проект 6 спринт. Инструменты разработки и основы ООП: Командная строка и терминал Виртуальное окружение Git Парадигмы программирования Принципы ООП Практика: создание класса предобработки данных и размещение в Git. 1 проект 7 спринт. Большой проект по исследовательскому анализу: Проведёте исследовательский анализ и визуализируете результаты, оформите своё исследование в виде структурированного Python‑приложения и полноценного репозитория на GitHub Проект: исследовательский анализ и визуализация, разработка в IDE и Git 1 проект 8 спринт. Подготовка данных для машинного обучения: Перевод бизнес-задачи в ML-формат Разделение данных Кодирование и нормализация признаков Feature engineering Проект: перевод бизнес-проблемы в ML-формат, подготовка данных для обучения моделей. 1 проект 9 спринт. Первые модели и оценка качества: Выбор метрик качества Обучение линейной регрессии Обучение логистической регрессии Проведение кросс-валидации Проект: обучение базовых моделей и оценка их качества. 1 проект 10 спринт. Продвинутые линейные модели и регуляризация: Переобучение и недообучение Регуляризация (L1, L2) Метод опорных векторов (SVM) Многоклассовая классификация Проект: применение продвинутых линейных моделей в задачах классификации. 1 проект 11 спринт. Нелинейные модели и деревья решений: Метод k-ближайших соседей (KNN) Деревья решений Управление сложностью моделей, предотвращение переобучения Автоматический подбор гиперпараметров с Optuna Анализ важности признаков Практика: обучение нелинейных моделей, контроль сложности и оптимизации гиперпараметров 12 спринт. Ансамблевые методы: Концепция ансамблей и дилемма смещения-разброса Бэггинг и Random Forest MLflow для логирования экспериментов Бустинг и современные библиотеки Стэкинг моделей Проект: применение ансамблевых методов, трекинг экспериментов. 1 проект 13 спринт. Продвинутый отбор признаков и интерпретация предсказаний модели: Автоматический отбор признаков Отбор признаков и сравнение экспериментов в MLflow Интерпретация моделей с SHAP и сохранение результатов Работа с дисбалансом классов Проект: автоматический отбор признаков, интерпретация моделей и управление ML‑экспериментами. 1 проект 14 спринт. Обучение без учителя: Задачи обучения без учителя Снижение размерности Кластеризация и поиск аномалий Оценка качества кластеризации Практика: применение методов обучения без учителя для задачи кластеризации 15 спринт. Введение в нейронные сети и основы PyTorch: Введение в нейронные сети Обучение нейронных сетей Введение в PyTorch Проект: обучение MLP-классификатора для текстов. 1 проект 16 спринт. Рекуррентные нейросети и трансформерные модели: Работа с последовательными данными Простые RNN: теория и практика Продвинутые RNN: GRU, LSTM, Bidirectional Основы механизма внимания и трансформеров Проект: обучение нескольких нейросетей с разными архитектурами для задачи автодополнения. 1 проект 17 спринт. Большой проект по ML-алгоритмам: Создадите полноценный ML-проект — от анализа бизнес-задачи до презентации готового решения Проект: извлечение данных из SQL, полный цикл разработки модели, документирование в Git и защита проекта 1 проект Дополнительно. Инструменты для ускорения ML-разработки: Автоматизация исследовательского анализа данных Автоматизация подготовки данных и моделирования Поиск оптимальных моделей с помощью AutoML-библиотек Предобученные модели для решения прикладных задач Практика: полный пайплайн с автоматическим EDA, подготовкой данных, обучением модели при помощи инструментов для ускорения ML-разработки 18 спринт. Построение ML-пайплайнов и оркестрация: Структурированные ML-процессы со sklearn.pipeline Версионирование и воспроизводимость с DVC Настройка и оркестрация ML-процессов с Airflow Проект: создание автоматизированного ML-пайплайна с версионированием и оркестрацией. 1 проект 19 спринт. Разработка веб-сервисов на базе REST API: Введение в веб-разработку для ML-инженеров REST API: принципы и HTTP-методы FastAPI: создание ML-сервисов Тестирование и документирование API Проект: создание веб-сервиса для ML-модели с полным тестированием. 1 проект 20 спринт. Контейнеризация веб-сервисов: Контейнеризация и роль Docker в ML-проектах Работа с Docker: образы, контейнеры, Dockerfile Автоматизация пайплайна создания ML-приложений Проект: контейнеризация приложения с Docker. 1 проект 21 спринт. A/B-тесты и мониторинг: A/B-тестирование в ML: принципы и планирование Статистический анализ результатов A/B-тестов Системы мониторинга в Prometheus Визуализация и дашборды для ML-метрик Проект: проведение A/B-тестирования и настройка мониторинга с Prometheus/Grafana. 1 проект 22 спринт. Большой проект по внедрению модели в продакшн: Интегрируете все изученные навыки в комплексном проекте Проект: создание полной ML-системы с пайплайном обработки данных, API для модели, контейнеризацией и мониторингом 1 проект Дополнительно. Подготовка к техническим собеседованиям: Алгоритмические задачи на Python SQL-задачи Статистика и A/B-тесты Вопросы по теории ML Применение NLP для работы с текстами 23 спринт. Итоговый проект базового тарифа: Пройдёте весь жизненный цикл ML-проекта, учитывая потребности бизнеса и применяя полученные навыки Проект: полный цикл работы над моделью машинного обучения 1 проект 24 спринт. Нейросети для ML-инженеров: Навыки работы с ИИ сейчас так же важны, как и хардскилы. Поэтому модуль по нейросетям входит в базовую программу. В нём вы узнаете, как устроены нейросети, освоите промпт‑инжиниринг и научитесь выбирать AI-инструменты для разных задач. После обучения сможете применять ИИ в работе: Генерировать SQL-запросы по бизнес-требованиям Создавать и корректировать формулы в таблицах Разрабатывать фрагменты кода на Python Проводить диагностику кода и исправлять в нём ошибки Брейнштормить гипотезы для исследований Анализировать и структурировать бизнес-требования Делать пользовательские инструкции Выполнять первичный анализ табличных данных Визуализировать данные Готовить презентации Практика: освоите техники работы с ИИ для решения 10+ типовых задач по работе с данными 25 спринт. Основы работы с большими данными: Big Data: особенности, архитектура и принципы распределённых систем Экосистема Big Data и инструменты обработки Форматы данных и основные паттерны хранения PySpark для распределённых вычислений Проект: построение ETL-пайплайна анализа логов веб-сайта в PySpark. 1 проект 26 спринт. Обработка данных в Apache Spark: Архитектура и принципы работы Apache Spark Spark DataFrame API: сложные трансформации и агрегирование Spark SQL: аналитические запросы поверх больших данных Обработка вложенных структур UDF и pandas UDF: когда нужны и как применять Проект: построение аналитического пайплайна для анализа поведения пользователей. 1 проект 27 спринт. Классические методы NLP и подготовка текстов: Совместно с ШАД Препроцессинг текста: токенизация, очистка, стоп-слова, лемматизация и стемминг Статистические представления текста: Bag-of-Words и TF-IDF Семантические эмбеддинги: Word2Vec и FastText Проект: построение классического NLP-пайплайна для классификации отзывов. 1 проект 28 спринт. Архитектура трансформеров и устройство LLM: Внутреннее устройство трансформера Решение задач генерации, суммаризации текста и ответов на вопросы Производительность и инференс Проект: сравнительный анализ трансформерных архитектур для решения задачи суммаризации текста. 1 проект 29 спринт. Построение RAG-систем и методы поиска: Введение в RAG Векторный поиск и векторные базы данных Retrieval-методы Полнотекстовый поиск и дедупликация Проект: построение RAG-системы с векторным поиском и ранжированием. 1 проект 30 спринт. Мультимодальность и дообучение LLM: Методы адаптации LLM: pretrain, SFT и DPO Дообучение LLM Мультимодальные модели Анализ качества мультимодальных данных Проект: построение мультимодальной поисковой системы товаров. 1 проект 31 спринт. Проектный месяц: Выполните и защитите проект, который основан на реальной бизнес‑задаче. 1 проект Сергей Бережной Эксперт AI‑модуля Директор по взаимодействию с разработчиками Яндекса Тариф Расширенный 16 месяцев обучения Расширенная программа 25 проектов Модуль по работе с большими данными Модуль от Школы анализа данных Яндекса по обработке текстов и LLM Цена 215040 руб. Скрытая ссылка