Что даст этот курс
Он для специалистов в области Machine Learning и Data Science, которые хотят сделать продакшн ML‑моделей более быстрым и безопасным, инфраструктуру — настраиваемой и стабильной, а взаимодействие команд — слаженным и эффективным.

Вы освоите принципы MLOps, которые помогут решить эти задачи и перейти на новый профессиональный уровень. Мы не обещаем, что будет легко, но поддержим и поможем на этом пути.
Освоите стек технологий, который соответствует современным требованиям MLOps

Python
Git
Docker
Docker Compose
FastAPI
MLflow
ClearML
Mage
Yandex Cloud
ClickHouse
Superset
Evidently
Terraform
Great Expectations
Airflow
PostgreSQL
Linux
GitLab CI
CI/CD
NFS
S3
Программа курса
Рассчитана на 5 месяцев. Нагрузка — от 15 часов в неделю.
2 часа
Бесплатно
Деплой модели на FastAPI в Yandex Cloud
1 модуль — бесплатно, чтобы вы познакомились с платформой и определились, подходит ли вам курс
  • Python
  • FastAPI
  • Yandex Cloud
От Jupyter Notebook к рабочему сервису
Освоите процесс превращения модели из исследовательского кода в полноценный веб‑сервис, доступный пользователям
Введение в FastAPI
Познакомитесь с FastAPI — современным и удобным Python‑фреймворком для создания веб‑сервисов, в том числе и с ML
Прототипирование сервиса для ML‑модели
Сделаете прототип сервиса и протестируете его локально, используя FastAP
Развёртывание сервиса в Yandex Cloud
Развернёте сервис с ML‑моделью в облаке — ваша первая «боевая» модель
Ограничения текущего подхода
Получите понимание реальных вызовов при развертывании моделей и подготовитесь к изучению продвинутых MLOps-практик
Знакомство с курсом
Поймёте, как организован курс и какие задачи вас ждут на курсе дальше
Научитесь деплоить ML‑модель в облаке, используя FastAPI
2
Квизы и ситуационные задачи
Введение в MLOps
Рассмотрите MLOps-процессы, научитесь оценивать проекты с точки MLOps-зрелости и познакомьтесь с основными используемыми инструментами.
  • Python
  • Git
  • FastAPI
  • MLflow
  • ClearML
  • Docker
  • Docker Compose
  • Yandex Cloud
Жизненный цикл разработки ML‑модели, роль MLOps‑инженера
Изучите основные этапы обучения моделей, а также узнаете, как работают основные ML‑специалисты (DS, MLE) и как они взаимодействуют с MLOps‑инженером. Познакомитесь с ключевыми этапами разработки ML‑моделей: от сбора данных до внедрения в продакшн. Изучите специфику работы основных ML‑ролей и их взаимодействие с MLOps‑инженером в процессе создания и обслуживания моделей.
Обзор жизненного цикла MLOps
Рассмотрите полный цикл MLOps как последовательность связанных процессов разработки, развёртывания и поддержки ML-систем.
MLOps‑процессы и инфраструктурные компоненты
Детально разберёте 7 ключевых MLOps-процессов, включая управление данными, экспериментами, моделями и их развёртыванием. Познакомитесь с инфраструктурными компонентами и инструментами, которые реализуют эти процессы в современных ML‑системах.
Стадии MLOps‑зрелости проекта
Научитесь оценивать зрелость ML‑проекта и составлять план совершенствования MLOps‑инфраструктуры, чтобы устранить недостатки текущего уровня и подготовиться к переходу на более высокую ступень зрелости.
Попрактикуетесь в решении кейсов на оценку зрелости проекта и выбор MLOps‑архитектуры
3
1 практическая работа・2 недели
Практики разработки
Перейдёте от хаотичной разработки к созданию профессиональных и надёжных ML‑решений, которые легко поддерживать.
  • uv
  • Pylint/Ruff
  • mypy
  • PyTest
  • Docker
  • Docker Compose
Управление зависимостями
Настроите изолированное окружения с uv, изучите безопасное обновление библиотек и автоматизацию процессов
Качество кода
Научитесь применять автоформатирование, линтинг (PEP8) и статическую типизацию для повышения читаемости, предсказуемости и надёжности кода
Промышленные ML‑пайплайны
Научитесь организовывать эксперименты, создавать масштабируемые и поддерживаемые решения
Тестирование ML
Напишете чистые, изолированные и воспроизводимые тесты для всех компонентов (данные, модели, логика) с использованием PyTest
Сделаете ревью кода для ML-проекта
4
Квизы и ситуационные задачи・2 недели
Контейнеризация и облачное окружение
Научитесь упаковывать ML-решения в Docker-контейнеры и запускать их в облаке
  • Python
  • Docker
  • Docker Compose
  • Git
  • Yandex Cloud
Знакомство с Docker
Научитесь устанавливать Docker, создавать образы и управлять контейнерами. Освоите контейнеризацию ML‑сервисов с оптимизацией (.dockerignore, multistage build).
Оркестрация сервисов
Соберёте и научитесь управлять многосервисной инфраструктурой с помощью Docker Compose, а также диагностировать взаимодействия.
Настроите облачное окружение с необходимыми инструментами в Yandex Cloud
5
1 проект・2 недели
Отслеживание экспериментов, управление ML‑моделями и их хранение
Освоите ключевые инструменты MLOps (MLflow и ClearML), чтобы управлять полным жизненным циклом ML-проектов.
  • Python
  • MLflow
  • ClearML
Задачи инструментов MLOps
Проанализируете задачи инструментов в MLOps-цикле, изучите критерии выбора между MLflow и ClearML, оцените их функциональность: эксперименты, модели, serving
Настроите ClearML: от развёртывания сервера и версионирования экспериментов через управление моделями в реестре с S3 и их продакшн-деплой до оркестрации ресурсов агентами с S3, удалённым выполнением задач и настройкой окружений через Sessions
6
1 проект・2 недели
Качество и версионирование данных
Научитесь проектировать data-пайпланы для ML, диагностировать проблемы данных (пропуски, дрифты), внедрять валидацию через Pandera/Great Expectations и версионировать датасеты с DVC для воспроизводимости.
  • Pydantic
  • Great Expectations
  • ClearML
Введение в data engineering для ML
Изучите пути данных от источников до модели: типы хранилищ (объектные/табличные/файловые), стратегии инжеста, критерии выбора инфраструктуры под задачи ML
Проблемы качества данных и метрики
Научитесь распознавать ошибки данных (дубликаты, некорректные форматы, схематические несоответствия), рассчитывать метрики completeness/validity/uniqueness и анализировать их влияние на модели
Data Drift и Schema Drift
Поймёте различия между Data/Target/Concept/Schema Drift, сделаете ручное обнаружение дрифтов (PSI/KS‑тесты), автоматизируете мониторинг с Evidently и интерпретируете отчёты
Выявите Data Drift (метрики PSI, KS, библиотека Evidently), сравните исторические и текущие данные, опишите схемы (Pandera, Pydantic) для обнаружения ошибок типов, пропусков и выбросов. Также автоматизируете тесты качества и отчёты при помощи Great Expectations
7
1 проект・2 недели
DevOps- и CI/CD‑практики
Научитесь внедрять DevOps-практики в MLOps: от теории ограничений и Linux‑администрирования до построения CI/CD‑пайплайнов для ML‑приложений с контейнеризацией, деплоем на ВМ и управлением артефактами.
  • Git
  • Linux
  • Docker
  • Yandex Cloud
  • SystemD
От промышленной автоматизации до MLOps
Изучите паттерны промышленной автоматизации (Kanban, MUDA), теории ограничений Голдратта и их применимости к MLOps для выявления/устранения узких мест (CPU/GPU/сеть) в ML‑системах
Создадите пайплайн в GitLab со стадиями линтинга, упаковки, деплоя на ВМ-приложения
8
1 проект・2 недели
Оркестрация и ML‑пайплайны
Познакомитесь с оркестрацией ML‑пайплайнов, которая позволяет связывать действия из разных систем, окружений и языков программирования в единый процесс.
  • Python
  • ClearML
  • Mage
  • ClickHouse
Роль и задачи, основы и концепции оркестратора в MLOps
Изучите такие концепции оркестратора в MLOps, как pipeline, pipeline run, оператор, сенсор, hooks, проверка данных. Попробуете работать в UI‑оркестраторе локально и в облаке.
ML-пайплайны: обработка и проверка данных, обучение и переобучение
Будете создавать разные виды пайплайнов для ML‑модели в оркестраторе: такие, как подготовка данных, обучение и переобучение модели, batch inference модели. Обучите модель и засабмиттите её в model registy. Попробуете использовать модели из model registy в пайплайнах переобучения с помощью оркестратора. Сможете настроить мониторинг здоровья ML‑пайплайнов и алертинг.
Сбор и запись метрик качества модели
Соберёте метрики качества обученной модели и настроите синхронизацию в базе данных при помощи ClickHouse.
Построите 3 продакшн‑пайплайна при помощи ClearML или Mage
9
1 проект・2 недели
Развёртывание ML-моделей
Познакомитесь с деплоем модели и предоставлением предсказаний — это функциональные компоненты, которые показывают работу MLOps‑практик остальным коллегам в проекте, другим техническим командам и бизнесу.
  • Python
  • ClearML
  • Yandex Cloud
Роль и задачи деплоймента модели в MLOps
Поймёте, какой сценарий работы модели необходимо применить и как его реализовать
Batch
Научитесь использовать модель в batch‑сценарии, используя оркестратор
Online
Сможете задеплоить модель как REST API сервис, используя ClearML
Streaming
Задеплоите модель в streaming‑сценарии, используя продукты Yandex Cloud (YMQ и Serverless Containers)
Задеплоите модель как REST‑API‑сервис, используя ClearML, или сделаете интерактивное приложение, используя ClearML Streamlit Launcher
10
1 проект・2 недели
Мониторинг и обратная связь
Сконцентрируетесь на мониторинге ML‑моделей и поймёте, как узнать, что модель в продакшне стала работать хуже, из‑за чего  произошло и как реагировать в таких ситуациях.
  • Python
  • Superset
  • ClickHouse
  • Evidently
Введение в мониторинг ML‑моделей
Изучите концепции изменения поведения моделей: early detection, silent mode error, data drift, concept drift
Репорт метрик и дашборд в Evidently
Сделаете отчёты и выявите проблемы с работой модели при помощи Evidently
Superset как инструмент визуализации
Разработаете в Superset дашбодры для отслеживания технических, бизнес‑метрик и метрик качества ML‑модели
Интеграция проверок для запуска пайплайна
Интегрируете проверки модели из Evidently для запуска пайплайна и переобучения модели в оркестраторе
Добавите метрики качества модели в существующий дашборд и создадите аналогичный дашборд в Superset с источниками метрик в ClickHouse
Самостоятельно・3 недели
Итоговый проект
Реализуете полный MLOps-цикл для одного из 2 кейсов на выбор. Используете все пройденные методы и инструменты MLOps: обработку и качеcтво данных, версии модели в MLflow/ClearML, пайплайны обучения и переобучения, деплой модели в соответствующем сценарии, мониторинг метрик качества и CI/CD‑процесс, который связывает все этапы в единую систему.

Проект будет оцениваться по шкале баллов в зависимости от наличия выбранных компонентов и оформления репозитория.
Получите диплом о профессиональной переподготовке
Это официальный документ установленного образца, который принимают работодатели. Образовательная лицензия № Л035‑01298‑77/00185314 от 24 марта 2015 года.
Очень много практики
Будете учиться в условиях, близких к реальным
YandexGPT помогает учиться
Когда в теории что-то непонятно, нейросеть объяснит это другими словами. А в конце каждого урока подготовит краткий пересказ о самом главном.
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
Отвечаем на вопросы
Каким требованиям нужно соответствовать?
Курс рассчитан на специалистов, уже имеющих опыт работы с ML‑моделями и инфраструктурой.

Мы ожидаем, что у вас есть:
  • Опыт разработки на Python больше 1 года, включая ООП и написание веб‑сервисов на Flask, FastAPI или Django.
  • Опыт использования Python для решения задач ML.
  • Знание SQL на уровне аналитических запросов и записи в базы данных.
  • Понимание Git на уровне открытого и замердженного PR.
  • Опыт использования простых пайплайнов по обработке данных в оркестраторах общего применения Airflow или Prefect.
Также важно, чтобы у вас была возможность уделять учёбе 10–15 часов в неделю на протяжении 5 месяцев.
Кто будет меня учить?
Все наставники — специалисты в области машинного обучения из крупных российских и международных компаний с большим опытом работы с инструментами MLOps.
Что делать, если я не справлюсь с нагрузкой?
В программе предусмотрены каникулы, во время которых можно отдохнуть или повторить сложные темы.

Если случилось непредвиденное или понадобилось больше времени на закрепление материала, напишите своему куратору. Он поможет перенести дедлайн сдачи проекта или перевестись в более поздний поток. На общую стоимость курса это не повлияет.
Если не понравится, я могу вернуть деньги?
Конечно. Если поток ещё не стартовал, вернём всю сумму. Если учёба уже началась, придётся оплатить прошедшие дни со старта вашего первого потока — но мы вернём деньги за остаток курса. Более подробно рассказываем об этом 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.
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.

Давайте поможем

Напишите, как вас зовут и по какому номеру можно связываться, — в течение 30 минут позвоним и расскажем всё про курсы

Как планируете учиться?