Анализ данныхС опытом

Курс «Инженер машинного обучения»

За 4 месяца освоите полный жизненный цикл модели машинного обучения и сможете строить продвинутые ML‑модели

Начать учиться бесплатно

4,5

на Отзовике, IRecommend и TutorTop

10 000

выпускников нашли работу после обучения

по данным исследования НИУ ВШЭ

Программа 2024 года — освоите самые актуальные технологии
Docker, FastAPI, Airflow, MLflow, Yandex Cloud и другие инструменты
7 ML-проектов в портфолио, включая настоящие сервисы
Обучение продвинутых моделей и создание микросервисов в облачной среде
Учёба в удобное время, главное — сдавать проекты в срок
Диплом о профессиональной переподготовке и гослицензия

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

Кому подойдёт курс

Разработчикам и инженерам данных

Углубите знания по алгоритмам и инструментам машинного обучения, чтобы участвовать в сложных проектах и быть конкурентоспособным на рынке труда

Аналитикам и специалистам по Data Science

Пройдёте через полный цикл ML‑проектов: от разработки модели до её внедрения — чтобы выйти на новый уровень развития карьеры

Начинающим ML-инженерам

Сможете структурировать знания, попрактиковаться, получить обратную связь от более опытных коллег и повысить свою квалификацию

Что желательно знать до начала учёбы

Python: базовые навыки, Jupyter Notebook, библиотеки Pandas и другие
SQL: базовые запросы и предобработка данных внутри запроса
Работа с данными: подготовка, чистка, описательная статистика
Принципы классического машинного обучения: выбор алгоритма для модели и её обучение
Работа с Git и командной строкой: локальный и удалённый репозиторий, управление репозиторием через IDE и консоль

За 4 месяца освоите полный цикл ML‑проектов

Сможете сами

Собирать данные и запускать с ними регулярные процессы
Обучать модели в стабильной инфраструктуре и выводить их в продакшен
Находить ошибки в процессах, улучшать базовый пайплайн и модели
Создавать и контейнеризировать микросервисы
Работать с uplift-моделированием
Строить модели неперсонализированных рекомендаций, контентной и коллаборативной фильтрации

Разработаете 3 сервиса

На данных Яндекс Недвижимости обучите модель, которая предсказывает события. Создадите микросервис и развернёте его в облачной инфраструктуре
Разработаете рекомендательную систему для улучшения предсказаний в сервисе Яндекс Музыка
Решите задачу uplift-моделирования: определите аудиторию и финансовый эффект

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

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

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

6 тем・1 проект・3 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

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

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

7 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

Самостоятельно・2 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

Как вы будете учиться

Осваивать теорию небольшими блоками

Программу составили инженеры машинного обучения и методисты Практикума — получите только самое необходимое и то, что пригодится в работе.

И сразу применять её на практике в инфраструктуре

Предоставим доступ к Yandex Cloud, где можно обучать и развёртывать ML‑модели. Практика похожа на реальные рабочие задачи — после курса вам не придётся заново чему‑то учиться.

Посещать вебинары и воркшопы с наставниками

Все наставники — опытные ML‑инженеры. На вебинарах они делятся лучшими практиками, разбирают сложные темы и интересные кейсы, отвечают на вопросы.

Получать регулярную обратную связь

Преподаватели будут на связи в чате, чтобы ответить на вопросы и помочь разобраться с задачей. А по учебным проектам вы получите подробную обратную связь от ревьюеров.

А ещё сможете стать частью сообщества специалистов по работе с данными

На наших курсах учатся инженеры данных, аналитики, разработчики и другие специалисты из разных сфер, компаний и стран. Вы сможете обменяться опытом с коллегами и завести ценные связи.

Будете учиться на нашей платформе, а YandexGPT вам поможет

Когда в теории что-то непонятно, нейросеть объяснит это другими словами. А в конце каждого урока подготовит краткий пересказ о самом главном.

На этом курсе можно учиться в своём темпе

При гибком обучении будет всё то же самое: интерактивный учебник, онлайн‑встречи с наставником и ревью проектов, но всего один дедлайн — окончание курса

Подробнее про гибкое обучение

Вас поддержит заботливая команда

Авторы собрали весь свой опыт в одной программе

Инженеры с хорошими знаниями теории и многолетним практическим опытом собрали и систематизировали свои знания, чтобы передать вам самое необходимое

Антон Моргунов

Senior инженер по компьютерному зрению в «Базис Центре», программный эксперт курса

Дмитрий Донецков

Руководитель направления по исследованию данных

Начать учиться бесплатно

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

Что ещё важно

Перенесём дедлайн или предложим перейти в следующий поток

Дедлайн сдачи проекта можно сдвинуть на неделю. Если нужно больше времени, куратор поможет перевестись в более поздний поток. Так вы сможете пройти темы и закончить проект в комфортном темпе.

Поможем оформить налоговый вычет

И вернуть 13% от оплаченной суммы. Какие документы потребуются и где их взять, рассказываем в разделе «Отвечаем на вопросы».

Вернём деньги за остаток курса, если передумаете

Нужно будет оплатить только время с начала вашего первого потока. Подробнее об условиях — в 7 пункте оферты.

Посмотреть оферту

Выдадим диплом о профессиональной переподготовке

Если у вас есть среднее профессиональное или высшее образование. Если нет, выдадим сертификат о прохождении курса и справку об обучении в электронном виде.

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 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.

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.

Давайте поможем

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

Даю согласие АНО ДПО «Образовательные технологии Яндекса» на обработку моих персональных данных, указанных выше, в целях получения обратной связи по заявке. Мне известно о моём праве в любое время отозвать настоящее согласия путём направления соответствующего обращения оператору. Подробная информация об обработке персональных данных — в Политике конфиденциальности.