ML-инженер с модулем по ИИ [Тариф Расширенный] [Яндекс Практикум]

Складчина: ML-инженер с модулем по ИИ [Тариф Расширенный] [Яндекс Практикум]

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:

1. Бесплатная часть: Знакомство с машинным обучением и входное тестирование
2. Подготовительный модуль (необязательный, 2–6 недель)
3. 1 спринт. Обработка данных в SQL
4. 2 спринт. Знакомство с базами данных
5. 3 спринт. Большой проект по обработке данных
6. 4 спринт. Предобработка данных в Python
7. 5 спринт. Исследовательский анализ и визуализация с Python
8. 6 спринт. Инструменты разработки и основы ООП
9. 7 спринт. Большой проект по исследовательскому анализу
10. 8 спринт. Подготовка данных для машинного обучения
11. 9 спринт. Первые модели и оценка качества
12. 10 спринт. Продвинутые линейные модели и регуляризация
13. 11 спринт. Нелинейные модели и деревья решений
14. 12 спринт. Ансамблевые методы
15. 13 спринт. Продвинутый отбор признаков и интерпретация предсказаний модели
16. 14 спринт. Обучение без учителя
17. 15 спринт. Введение в нейронные сети и основы PyTorch
18. 16 спринт. Рекуррентные нейросети и трансформерные модели
19. 17 спринт. Большой проект по ML-алгоритмам
20. Дополнительно. Инструменты для ускорения ML-разработки
21. 18 спринт. Построение ML-пайплайнов и оркестрация
22. 19 спринт. Разработка веб-сервисов на базе REST API
23. 20 спринт. Контейнеризация веб-сервисов
24. 21 спринт. A/B-тесты и мониторинг
25. 22 спринт. Большой проект по внедрению модели в продакшн
26. Дополнительно. Подготовка к техническим собеседованиям
27. 23 спринт. Итоговый проект базового тарифа
28. 24 спринт. Нейросети для ML-инженеров
29. 25 спринт. Основы работы с большими данными
30. 26 спринт. Обработка данных в Apache Spark
31. 27 спринт. Классические методы NLP и подготовка текстов (совместно с ШАД)
32. 28 спринт. Архитектура трансформеров и устройство LLM
33. 29 спринт. Построение RAG-систем и методы поиска
34. 30 спринт. Мультимодальность и дообучение LLM
35. 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