О профессииПрограммаКак учимКоманда курсаСтоимость
Компаниям
Начать учиться бесплатно
Чем занимается инженер машинного обучения
Работает с данными и создаёт на их основе алгоритмы машинного обучения, которые помогают решать прикладные задачи.

Инженерная составляющая подразумевает подготовку и вывод модели в работу, поддержку её качества, улучшение эффективности. ML‑Engineer часто работает в паре со специалистами по Data Science, аналитиками данных и инженерами данных.

Читать больше о профессии

Получите мощный набор навыков и инструментов

DVC
MLflow
Airflow
Optuna
Docker
FastAPI
Yandex Cloud

И прозрачный карьерный рост

Вот средние зарплаты инженеров машинного обучения

Источник: Хабр Карьера
75 000–160 000 ₽
Junior
160 000–300 000 ₽
Middle
300 000+ ₽
Senior
Программа курса
Рассчитана на 4 месяца, учёбе нужно уделять по 15–20 часов в неделю
Скачать подробную программу в PDF
9 тем・~2 часа
Бесплатно
Создание пайплайна по подготовке данных и выводу ML‑модели в продакшн
1 модуль — бесплатно, чтобы вы решили несколько задач из жизни ML-инженера, поняли, подойдёт ли вам эта программа, а заодно узнали, как работает платформа Практикума
  • Переменные и типы
  • Циклы и ветвления
  • Функции
  • Библиотеки
  • Протокол HTTP
Кто такой ML‑инженер
Необходимые навыки и рабочие задачи. Отличия от других специалистов по Data Science, инженеров и аналитиков данных, DevOps‑ и MLOps‑инженеров. Знания, которые нужны для успешной карьеры.
Пайпланы подготовки данных в Airflow
Знакомство с инструментом. Автоматизация процесса подготовки данных. DAG, создание пайплайнов и обработка данных на разных этапах.
Создание baseline‑модели
Метрики для оценки качества модели. Эксперимент по созданию базовой модели в MLflow.
Улучшение baseline‑модели
Техники для повышения качества и точность прогнозов. Методы конструирования новых признаков (feature engineering). Настройка гиперпараметров с помощью библиотеки Optuna на Python.
Релиз ML‑модели
Что такое микросервис и зачем он нужен бизнесу. Фреймворк FastAPI.
ML‑модель в продакшене
Библиотеки Python. HTTP‑запросы к микросервису с моделью. Тест микросервиса на отдельном наборе данных.
Рекомендательная система и uplift‑модель
Знакомство с инструментами и их применение в реальном бизнесе
О курсе
Знакомство со спринтами и рабочими инструментами. Длительность обучения, практика и преподаватели.
Входной тест
Проверка знаний до покупки курса
Решите несколько задач из жизни ML-инженера, пройдёте входное тестирование и поймёте, подходит ли вам курс
2
5 тем・1 проект・3 недели
Разработка пайплайнов подготовки данных и обучения модели
  • DVC
  • AirFlow
  • S3
Подготовка и трансформация данных в Airflow
Знакомство с Airflow, первый DAG, подготовка данных для обучение базовой модели
Создание ML‑модели и настройка DVC‑пайплайна
Автоматизация подготовки данных (ETL) с помощью Airflow, обучение базовой модели, создание и запуск DVC‑пайплайна, версионирование артефактов
Для сервиса Яндекс Недвижимость настроите процесс обучения модели, которая должна помочь остановить отток клиентов
3
6 тем・1 проект・2 недели
Улучшение baseline-модели
  • MLflow
  • Optuna
  • Mlxtend
  • Продвинутый EDA
Контроль за экспериментами
Основные сущности MLflow: Tracking, Projects, Models, Model Registry, развёртывание MLflow, логирование ML‑модели, сохранение окружения, визуализация результатов, методы версионирования модели и контроль изменений, доступ к результатам и артефактам моделей через API
Конструирование признаков: Feature Engineering
Продвинутый EDA (Exploratory Data Analysis), работа с разными типами признаков: ускорение обработки, применение автоматической генерации; отбор наиболее важных признаков, организация обработки данных
Подбор гиперпараметров модели
Cтандартные методы подбора: решётчатый поиск (Grid Search) и случайный поиск (Random Search), байесовский подход; фреймворк Optuna, визуализация процесса подбора гиперпараметров — Optuna и MLflow одновременно
Улучшите качество модели с помощью Feature Engineering и оптимизации гиперпараметров
4
6 тем・1 проект・3 недели
Релиз модели в продакшен
  • Docker
  • FastAPI
  • Yandex.Cloud
  • Uvicorn
  • Prometheus
  • Grafana
Создание микросервиса
Архитектура приложений, использование FastAPI для написания микросервиса на базе ML‑модели, его сборка, отладка и запуск
Контейнеризация микросервиса
Настройка изолированного окружения, использование готовых Docker‑образов и запуск Python‑скриптов, Docker‑файл для запуска, оптимизация разработки и запуска приложений — Docker Compose
Мониторинг ML‑модели
Метрики мониторинга в продакшене, их сбор, хранение (Prometheus Server), аналитика (PromQL) и визуализация в Grafana
Создадите сервис на базе ML‑модели и развернёте его в облачной инфраструктуре
1 неделя
Каникулы
5
7 тем・1 проект・3 недели
Создание рекомендательной системы
  • Uvicorn
  • implicit
  • catboost
  • U2U, I2I, ALS
  • S3
Рекомендательные системы
Принципы и алгоритмы персональных рекомендаций, виды рекомендательных систем, «холодный старт», матрица взаимодействий
Базовые рекомендации
Коллаборативная фильтрация (ALS), контентные рекомендации, валидация рекомендательной системы
Двухстадийный подход
Генерация наборов рекомендаций с помощью разных алгоритмов, ранжирование полученных рекомендаций для отбора лучших из них
Архитектура рекомендательных систем
Типовая архитектура, онлайн‑рекомендации, сервис рекомендаций: ASGI‑сервер Uvicorn на базе фреймворка FastAPI
Разработаете рекомендательную систему для улучшения предсказаний в Яндекс Музыке, оформите сервис и выкатите его в продакшен
6
5 тем・1 проект・3 недели
Создание uplift-модели
  • S/T-learner
  • scikit-uplift
  • X/R-learner
  • uplift-деревья
Uplift-моделирование
Концепция, метрики и методы оценки качества, базовые методы, продвинутые подходы, продакшен
Решите задачу uplift‑моделирования: определитесь с аудиторией и оцените финансовый эффект
7
3 недели
Итоговый проект
Подтвердите, что освоили новые навыки, и пройдёте полный цикл работы с моделью: от формирования задачи и сбора данных до разработки модели и выкатки её в продакшен. Теперь без уроков и домашних заданий — всё как в реальной работе.
Дополнительный модуль
Сферы применения машинного обучения
  • ML и бизнес
  • Метрики машинного обучения
  • Векторные и языковые представления
  • Улучшение моделей
Машинное обучение в бизнесе
Запуск новых функций сервиса с применением машинного обучения, сбор данных, связь метрик машинного обучения с метриками продукта
Машинное обучение для текстов
Классификация для текстовых данных, векторные представления текстов с помощью статистических моделей, работа с языковыми представлениями нейросетей
Машинное обучение с учителем
Новые модели машинного обучения, метрики, средства для улучшения моделей и данных, упрощение обучения моделей
Научитесь с помощью ML‑моделей запускать новые фичи и обрабатывать текстовые данные, а ещё поймёте, как упростить обучение моделей
Будете учиться на нашей платформе, а Практикум ИИ вам поможет
Когда в теории что‑то непонятно, нейросеть ответит на вопросы или объяснит материал другими словами. А в конце каждого урока подготовит краткий пересказ о самом главном.
2 формата обучения на выбор
  • С дедлайнами. Модули открываются по расписанию — их важно проходить за определённое время. Проекты тоже нужно сдавать точно в срок.
  • В своём темпе. Темы и задания открываются по мере прохождения. Можно завершить курс быстрее или продлить обучение на месяц.

    Подробнее об обучении в своём темпе
Этот курс может оплатить
ваш работодатель
Полностью или разделив оплату с вами,
например 50/50 или 75/25
  • Расскажем всё про курс
  • Сообщим стоимость
  • Ответим на ваши вопросы
  • Подготовим договор и счёт
 
Есть оплата через работодателя, свою компанию или ИП.
  •                                        

Если у вас есть вопросы про учёбу, оставьте заявку — мы позвоним

Мы перезваниваем в течение 30 минут каждый день с 10:00 до 19:00. Если оставите заявку сейчас, то перезвоним уже в рабочее время

Как планируете учиться?
Или позвоните нам сами:
8 800 700-93-29
А если не любите голосом — напишите:
Политика конфиденциальности
Отвечаем на вопросы
Каким требованиям нужно соответствовать?
Курс рассчитан на специалистов, у которых уже есть начальный опыт в области машинного обучения. Мы ожидаем, что вы уже:
• Знаете язык программирования Python: базовые навыки, Jupyter Notebook, библиотеки Pandas и другие.
• Знаете SQL: базовые запросы и предобработку данных внутри запроса.
• Умеете работать с данными: разбираетесь в подготовке, чистке, описательной статистике.
• Знакомы с принципами классического машинного обучения: выбором алгоритма для модели и её обучением.
Что делать, если я не справлюсь с нагрузкой?
В программе предусмотрены каникулы, во время которых можно отдохнуть или повторить сложные темы.

Если вам нужно больше времени на выполнение проекта, напишите куратору. Он подскажет, как согласовать новый дедлайн.
Обучение в своём темпе — это как?
Этот курс можно пройти в одном из двух форматов:

• С дедлайнами. Обучение идёт спринтами, модули открываются по расписанию, а задания нужно выполнять точно в срок.
• В своём темпе. Темы и задания открываются по мере их прохождения. Можно регулировать свою нагрузку и проходить курс быстрее или медленнее. Подробнее об обучении в своём темпе.

Обучение в своём темпе подойдёт тем, кому сложно подстроить свой график под расписание курса. Но важно помнить, что такой формат требует самоконтроля и высокой мотивации. С дедлайнами будет проще поддерживать темп занятий и пройти курс до конца.
Если не понравится, я могу вернуть деньги?
Если курс ещё не начался, вернём всю сумму. Если ваш поток уже стартовал, можно сделать частичный возврат — подробности в 7 пункте оферты.
Получу ли я какой-то документ после курса?
Да, для этого нужно закончить курс и успешно выполнить итоговый проект.

Тогда вы получите диплом о профессиональной переподготовке, если у вас есть среднее профессиональное или высшее образование. Если нет, отправим вам сертификат о прохождении курса в электронном виде.

А если не получится пройти курс целиком и выполнить итоговый проект, по запросу выдадим вам электронную справку об обучении — с перечнем модулей, которые вы освоили.
Вы поможете сменить или найти работу?
На этом курсе не предусмотрена помощь с трудоустройством, поскольку он для действующих специалистов, у которых уже есть навыки поиска работы.

Но если у вас появится вопрос о карьерном развитии, обратитесь в нашу службу поддержки — постараемся ответить.
Как можно оплатить?
Банковской картой: внести всю сумму сразу или платить ежемесячно.

Ежемесячные платежи работают так: вы вносите первую оплату, и в этот момент привязывается карта. С этой карты автоматически будут списываться следующие платежи каждые 30 календарных дней. Например, оплатили 25 марта — следующий платёж пройдёт 24 апреля. Обучение будет стоить меньше, если оплатить весь курс сразу.

Через компанию, если она налоговый резидент РФ. Условия для юридических лиц и ИП отличаются — чтобы узнать подробнее, оставьте заявку или уточните у вашего менеджера.
Можно ли оплатить курс за счёт работодателя?
Да, работодатель может оплатить учёбу полностью или разделить сумму с вами, например 50/50 или 75/25.

Такая оплата пройдёт по счёту или двустороннему договору, а ИП могут оплатить с бизнес-счёта. Если работодатель купит обучение сразу 10 сотрудникам или больше, сделаем скидку 10%.

Условия для юридических лиц и ИП отличаются — чтобы узнать подробнее, оставьте заявку или уточните у вашего менеджера.
Что такое налоговый вычет на обучение и как его получить?
Налоговый вычет может получить тот, кто работает по трудовому договору и является налоговым резидентом Российской Федерации, то есть 183 дня в году находится на территории страны.

Вот инструкция, которая поможет всё оформить.