ML-инженерия: первый полный цикл
Начните с Python или переходите к ML, если основа уже знакома. Завершите маршрут работающим локальным сервисом, отчётом и тестами. Скорость прохождения зависит от подготовки; видеокарта не нужна.
Основной маршрут
Ваш маршрут в ML-инженерию
Последовательные уроки, самопроверка и один сквозной проект на реальных данных.
Подготовка
Python, терминал и проверка программ. Если уже умеете — переходите к данным.
- Выбор направления2 мин чтения
- Выбор первого языка2 мин чтения
- Устройство программы2 мин чтения
- Работа с условием задачи2 мин чтения
- Запуск Python2 мин чтения
- Базовый синтаксис2 мин чтения
- Коллекции2 мин чтения
- Строки и срезы2 мин чтения
- Функции2 мин чтения
- Итераторы и генераторы2 мин чтения
- Модули и зависимости2 мин чтения
- Работа с редактором2 мин чтения
- Вердикты проверки2 мин чтения
- Поиск ошибок2 мин чтения
- Самостоятельное обучение2 мин чтения
- Рабочее окружение2 мин чтения
- Основы Git2 мин чтения
Данные и математическая основа
Сформулировать задачу, проверить таблицу и отделить будущие данные.
Модели и оценка
Сравнить с baseline и выбрать модель без утечки в тест.
От модели к сервису
Повторяемое обучение, API, наблюдение и самостоятельная итоговая работа.
Итоговый проект · CPU · Python 3.11–3.13
Обучите модель. Превратите её в сервис.
Классификация UCI Wine: Pipeline, кросс-валидация, отчёт, сохранённая модель и FastAPI. В комплекте исходники, закреплённые зависимости, инструкция и тесты.
- Обучите модель и сравните с baseline на независимом holdout.
- Поднимите API, проверьте контракт и обработку ошибок.
- Добавьте кандидата Random Forest, тест неизменности артефакта и model card.
ML-примеры запускаются локально в окружении лаборатории. Онлайн-редактор задач предназначен для алгоритмических упражнений. Видеокарта не требуется.
После первого проекта
Deep Learning и PyTorch, NLP и трансформеры, LLM Engineering и ML-платформы входят в программу продолжения. Полные уроки этих блоков пока готовятся.
Открыть полный план →