Что делает ML-инженер
ML-система получает признаки объекта и вычисляет предсказание. Инженер отвечает за весь путь: формулировку задачи, качество данных, обучение, проверку, доставку модели и наблюдение после запуска. Даже хорошая модель бесполезна, если в сервис попадают признаки в другом порядке или её нельзя воспроизвести.Начнём с классификации Wine: по 13 числовым измерениям определить один из трёх классов вина. Это 178 реальных наблюдений открытого набора UCI, поставляемого со scikit-learn. Маленький набор удобен для изучения полного цикла на CPU; высокая оценка на нём не доказывает качество на других данных.
Признаки и целевая переменная
X — таблица признаков, по строке на объект; y — правильные ответы для обучения. Классификация предсказывает категорию, регрессия — числовое значение. Кластеризация ищет структуру без заранее заданных меток. Прежде чем выбирать алгоритм, определите, что считается объектом, когда доступен правильный ответ и какие признаки известны в момент предсказания.Для реального продукта сначала нужен проверяемый контракт: кто использует результат, сколько стоит ошибка, как измерить пользу, допустимая задержка и возможность отказа от предсказания. Не всякая задача требует ML: правило или поиск по базе могут быть достаточны. Базовый подход нужен для честного сравнения.
Результат этого курса
Вы обучите модель с Pipeline, отделите финальный тест, сохраните артефакт и отчёт, поднимете локальный API и проверите ошибочные запросы. Исходный комплект лаборатории доступен на странице маршрута. Это локальная работа: редактор алгоритмических задач сайта не устанавливает NumPy, pandas и scikit-learn. Для ML-примеров используйте окружение лаборатории.Дальше идут данные, необходимая математика, оценка, модели и эксплуатация. Если Python пока незнаком, сначала пройдите подготовительный блок в маршруте: чтение примера требует понимания переменных, списков, функций и импорта.