Практическая ML-инженерия:
Идет набор
Старт потока:
27 октября 2025
27 октября 2025
Окончание:
15 апреля 2026
15 апреля 2026
Диплом о профессиональной переподготовке ИТМО
Возможность поступить в магистратуру по ИИ в ИТМО
MLOps и разработка проектов
[о программе]
В основе обучения — практика. В первом блоке курса вы научитесь разрабатывать ML-сервисы на Python и создадите собственный AI-сервис.
Далее вы погрузитесь в MLOps, чтобы вывести ваш сервис в продакшен — изучите оркестраторы и подходы к версионированию данных, сможете проводить версионируемые эксперименты и обращаться с Model Registry, освоите Model Serving и CI/CD.
Преподаватели — эксперты-практики из Ozon, Skyeng, Газпромбанка и других крупных компаний.
Далее вы погрузитесь в MLOps, чтобы вывести ваш сервис в продакшен — изучите оркестраторы и подходы к версионированию данных, сможете проводить версионируемые эксперименты и обращаться с Model Registry, освоите Model Serving и CI/CD.
Преподаватели — эксперты-практики из Ozon, Skyeng, Газпромбанка и других крупных компаний.
Курс по ML-инженерии
от крупнейшей в России онлайн-магистратуры по искусственному интеллекту ИТМО × Napoleon IT
от крупнейшей в России онлайн-магистратуры по искусственному интеллекту ИТМО × Napoleon IT
[кому подойдет этот курс]
Абитуриентам магистратуры по искусственному интеллекту AI Talent Hub
Планируете поступать в магистратуру по ИИ летом 2025 года и хотите подготовиться к ML-конкурсу Junior ML Contest, чтобы поступить на программу без вступительных экзаменов.
Начинающим специалистам в ML
Только начинаете карьеру в ML,
хотите пройти путь создания продукта, освоив ключевые инструменты и методы машинного обучения.
хотите пройти путь создания продукта, освоив ключевые инструменты и методы машинного обучения.
Дата-сайентистам
Работаете в сфере наук о данных и хотите укрепить знания в сфере машинного обучения.
Разработчикам
Имеете опыт в программировании
и хотите научиться разрабатывать сервисы на основе ML.
[программа курса]
Перед стартом курса все участники проходят тестирование, чтобы определить входной уровень знаний и выявить пробелы. На основе этих результатов формируются темы двух лекций, которые помогут участникам восполнить недостающие знания и почувствовать себя готовыми к дальнейшему обучению.
Научитесь разрабатывать веб-сервисы при помощи FastAPI. Познакомитесь с дизайном API, а также подготовите сервис для вывода в продакшен.
>> Урок 1, 2: Дизайн API
>> Урок 3, 4: Дизайн backend-части
>> Урок 5, 6: Создание front-части
>> Урок 7, 8: Запуск и эксплуатация сервиса
>> Урок 9: Q&A сессия по итогам блока
>> Урок 1, 2: Дизайн API
>> Урок 3, 4: Дизайн backend-части
>> Урок 5, 6: Создание front-части
>> Урок 7, 8: Запуск и эксплуатация сервиса
>> Урок 9: Q&A сессия по итогам блока
Познакомитесь с основными концепциями DevOps и MLOps. Научитесь создавать автоматизированные пайплайны и воспроизводимые эксперименты. С поддержкой менторов автоматизируете развертывание проекта на удаленном сервере.
Содержание:
>> Урок 1. Введение в MLOps
>> Урок 2. Инженерные практики ML
>> Урок 3. Оркестраторы
>> Урок 4. Версионирование данных
>> Урок 5. Версионируемые эксперименты и model registry
>> Урок 6. Model Serving
>> Урок 7. CI/CD (часть 1)
>> Урок 8. CI/CD (часть 2)
>> Урок 9. Q&A сессия по итогам блока
Содержание:
>> Урок 1. Введение в MLOps
>> Урок 2. Инженерные практики ML
>> Урок 3. Оркестраторы
>> Урок 4. Версионирование данных
>> Урок 5. Версионируемые эксперименты и model registry
>> Урок 6. Model Serving
>> Урок 7. CI/CD (часть 1)
>> Урок 8. CI/CD (часть 2)
>> Урок 9. Q&A сессия по итогам блока
Пройдете весь путь создания ML-продукта от идеи до релиза. Научитесь определять ML-методы, которые подходят для решения бизнес-задач, и познакомитесь с принципами ML System Design, чтобы уметь проектировать архитектуру решения. Определите, чем прототип отличается от MVP и какая функциональность необходима на каждом этапе продуктовой разработки, а еще освоите навыки презентации продукта.
>> Урок 1. Презентация задачи и выбор датасета
>> Урок 2. Создаем прототип продукта
>> Урок 3. Бизнес анализ и работа с требованиями
>> Урок 4. Бенчмаркинг продукта
>> Урок 5. Данные и схемы валидации
>> Урок 6. Формулируем задачу в терминах ML
>> Урок 7. ML-модели - от бейзлайна к зрелому решению
>> Урок 8. Улучшаем модель
>> Урок 9. Анализ ошибок
>> Урок 10. Упаковка MVP
>> Урок 11. Интеграция, мониторинг, вывод в продакшн и поддержка
>> Урок 12. Презентация продукта
>> Урок 1. Презентация задачи и выбор датасета
>> Урок 2. Создаем прототип продукта
>> Урок 3. Бизнес анализ и работа с требованиями
>> Урок 4. Бенчмаркинг продукта
>> Урок 5. Данные и схемы валидации
>> Урок 6. Формулируем задачу в терминах ML
>> Урок 7. ML-модели - от бейзлайна к зрелому решению
>> Урок 8. Улучшаем модель
>> Урок 9. Анализ ошибок
>> Урок 10. Упаковка MVP
>> Урок 11. Интеграция, мониторинг, вывод в продакшн и поддержка
>> Урок 12. Презентация продукта
2 онлайн-лекции
Перед стартом курса все участники проходят тестирование, чтобы определить входной уровень знаний и выявить пробелы. На основе этих результатов формируются темы двух лекций, которые помогут участникам восполнить недостающие знания и почувствовать себя готовыми к дальнейшему обучению.
Перед стартом курса все участники проходят тестирование, чтобы определить входной уровень знаний и выявить пробелы. На основе этих результатов формируются темы двух лекций, которые помогут участникам восполнить недостающие знания и почувствовать себя готовыми к дальнейшему обучению.
9 онлайн-лекций
Научитесь разрабатывать веб-сервисы при помощи FastAPI. Познакомитесь с дизайном API, а также подготовите сервис для вывода в продакшен.
>> Урок 1, 2: Дизайн API
>> Урок 3, 4: Дизайн backend-части
>> Урок 5, 6: Создание front-части
>> Урок 7, 8: Запуск и эксплуатация сервиса
>> Урок 9: Q&A сессия по итогам блока
Научитесь разрабатывать веб-сервисы при помощи FastAPI. Познакомитесь с дизайном API, а также подготовите сервис для вывода в продакшен.
>> Урок 1, 2: Дизайн API
>> Урок 3, 4: Дизайн backend-части
>> Урок 5, 6: Создание front-части
>> Урок 7, 8: Запуск и эксплуатация сервиса
>> Урок 9: Q&A сессия по итогам блока
9 онлайн-лекций
Познакомитесь с основными концепциями DevOps и MLOps. Научитесь создавать автоматизированные пайплайны и воспроизводимые эксперименты. С поддержкой менторов автоматизируете развертывание проекта на удаленном сервере.
Содержание:
>> Урок 1. Введение в MLOps
>> Урок 2. Инженерные практики ML
>> Урок 3. Оркестраторы
>> Урок 4. Версионирование данных
>> Урок 5. Версионируемые эксперименты и model registry
>> Урок 6. Model Serving
>> Урок 7. CI/CD (часть 1)
>> Урок 8. CI/CD (часть 2)
>> Урок 9. Q&A сессия по итогам блока
Познакомитесь с основными концепциями DevOps и MLOps. Научитесь создавать автоматизированные пайплайны и воспроизводимые эксперименты. С поддержкой менторов автоматизируете развертывание проекта на удаленном сервере.
Содержание:
>> Урок 1. Введение в MLOps
>> Урок 2. Инженерные практики ML
>> Урок 3. Оркестраторы
>> Урок 4. Версионирование данных
>> Урок 5. Версионируемые эксперименты и model registry
>> Урок 6. Model Serving
>> Урок 7. CI/CD (часть 1)
>> Урок 8. CI/CD (часть 2)
>> Урок 9. Q&A сессия по итогам блока
12 онлайн-лекций
Менторские сессии в мини-группах
Пройдете весь путь создания ML-продукта от идеи до релиза. Научитесь определять ML-методы, которые подходят для решения бизнес-задач, и познакомитесь с принципами ML System Design, чтобы уметь проектировать архитектуру решения. Определите, чем прототип отличается от MVP и какая функциональность необходима на каждом этапе продуктовой разработки, а еще освоите навыки презентации продукта.
>> Урок 1. Презентация задачи и выбор датасета
>> Урок 2. Создаем прототип продукта
>> Урок 3. Бизнес анализ и работа с требованиями
>> Урок 4. Бенчмаркинг продукта
>> Урок 5. Данные и схемы валидации
>> Урок 6. Формулируем задачу в терминах ML
>> Урок 7. ML-модели - от бейзлайна к зрелому решению
>> Урок 8. Улучшаем модель
>> Урок 9. Анализ ошибок
>> Урок 10. Упаковка MVP
>> Урок 11. Интеграция, мониторинг, вывод в продакшн и поддержка
>> Урок 12. Презентация продукта
Менторские сессии в мини-группах
Пройдете весь путь создания ML-продукта от идеи до релиза. Научитесь определять ML-методы, которые подходят для решения бизнес-задач, и познакомитесь с принципами ML System Design, чтобы уметь проектировать архитектуру решения. Определите, чем прототип отличается от MVP и какая функциональность необходима на каждом этапе продуктовой разработки, а еще освоите навыки презентации продукта.
>> Урок 1. Презентация задачи и выбор датасета
>> Урок 2. Создаем прототип продукта
>> Урок 3. Бизнес анализ и работа с требованиями
>> Урок 4. Бенчмаркинг продукта
>> Урок 5. Данные и схемы валидации
>> Урок 6. Формулируем задачу в терминах ML
>> Урок 7. ML-модели - от бейзлайна к зрелому решению
>> Урок 8. Улучшаем модель
>> Урок 9. Анализ ошибок
>> Урок 10. Упаковка MVP
>> Урок 11. Интеграция, мониторинг, вывод в продакшн и поддержка
>> Урок 12. Презентация продукта
После успешного завершения курса вы получите
диплом о профессиональной переподготовке от университета ИТМО *
Диплом о профессиональной переподготовке выдается только при наличии диплома о высшем образовании, иначе выдается сертификат
*
Изучите стек технологий
MLOps
01.
02.
03.
Подготовитесь к поступлению в магистратуру по ИИ летом 2026 года
Сделаете карьерный переход
Екатерина Костюк
DVC, Airflow, MLflow, ClearML, W&B, FastAPI, PyTest, Docker, GitLab CI — ключевые инструменты для выведения ML-модели в продакшен. Их вы освоите
на курсе.
Студенты курса по ML-инженерии разрабатывают собственные сервисы на основе машинного обучения. С этим проектом вы сможете принять участие в Junior ML Contest в июле 2026 года — это конкурс ML-проектов от AI Talent Hub. Если эксперты высоко оценят ваш сервис, вы сможете поступить в магистратуру по ИИ без вступительных испытаний.
10 выпускников курса стали студентами магистратуры AI Talent Hub, так как их проекты получили высокую оценку на Junior ML Contest.
10 выпускников курса стали студентами магистратуры AI Talent Hub, так как их проекты получили высокую оценку на Junior ML Contest.
Раньше я работала бэкенд-разработчиком, однако спектр задач был довольно широким — однажды пришлось погрузиться в CV, что мне показалось очень интересным. Со временем я начала задумываться о том, чтобы всерьез заняться машинным обучением — так я и попала на курс по ML-инженерии от магистратуры по искусственному интеллекту ИТМО × Napoleon IT ...
выпускница курса
Если вы развиваетесь в сфере разработки или наук о данных,
курс поможет вам перейти в ML.
Делимся историей нашей студентки Екатерины Костюк, которая раньше работала бэкенд-разработчиком, а теперь — ML-инженером в стартап-проекте, связанном с LLM-агентами.
Делимся историей нашей студентки Екатерины Костюк, которая раньше работала бэкенд-разработчиком, а теперь — ML-инженером в стартап-проекте, связанном с LLM-агентами.
[преимущества курса]
Екатерина Костюк
выпускница курса
Раньше я работала бэкенд-разработчиком, однако спектр задач был довольно широким — однажды пришлось погрузиться в CV, что мне показалось очень интересным. Со временем я начала задумываться о том, чтобы всерьез заняться машинным обучением — так я и попала на курс по ML-инженерии от магистратуры по искусственному интеллекту ИТМО × Napoleon IT.
Курс оправдал мои ожидания — особенно впечатлила углубленная проработка всех этапов создания продукта и внимание к бизнес-аспектам разработки в модуле My First Data Project.
Мой переход в машинное обучение стал логичным шагом после работы в разработке. У меня уже был опыт работы с данными и некоторыми инструментами ML, но курс дал полноценное понимание машинного обучения как области.
Курс оправдал мои ожидания — особенно впечатлила углубленная проработка всех этапов создания продукта и внимание к бизнес-аспектам разработки в модуле My First Data Project.
Мой переход в машинное обучение стал логичным шагом после работы в разработке. У меня уже был опыт работы с данными и некоторыми инструментами ML, но курс дал полноценное понимание машинного обучения как области.
[проекты наших выпускников]
На курсе вы запустите в продакшен
ML-модель и положите MVP в портфолио
ML-модель и положите MVP в портфолио
На курсе вы запустите в продакшен ML-модель и положите MVP в портфолио
ML-модель для тех, кто хочет взять питомца из приюта
Социальный проект, который помогает пользователям выбрать животное из приюта. Пользователь загружает свою фотографию, а бот находит и предлагает питомцев на основе визуального сходства.
Генератор текстово-графического контента для соцсетей
Бот в Telegram генерирует контент для социальных сетей. Его цель — автоматизировать создание постов на основе актуальных новостей в сети. Чат-бот адаптирует текст под TOV канала, целевую аудиторию, цель сообщения и площадку.
Победитель Junior ML Contest
ML-cервис для финтеха
Цель проекта — вывести метрику, отражающую надежность заемщика через вероятность дефолта. Эту задачу выполняют такие инструменты машинного обучения, как permutation, IsolationForest и LightGBM Classifier.
Карьерный веб-сервис для IT-специалистов
Cервис, который автоматически анализирует резюме IT-специалистов, прогнозирует зарплату и дает рекомендации по развитию навыков. Продукт работает без ручного ввода данных и предлагает персонализированные советы.
Чат-бот для родителей
Сервис для создания книги взросления ребенка в формате чат-бота. Он позволяет родителям сохранять памятные фотографии и создавать на их основе текстовые истории.
Победитель Junior ML Contest
Telegram-бот для поиска пропавших животных
AI-сервис PawFinder сопоставляет фотографии питомцев от владельцев и приютов и повышает шансы на их возвращение домой. Сейчас ведутся переговоры с крупными приютами для внедрения этого сервиса.
Победитель Junior ML Contest
[отзывы выпускников]
[эксперты и преподаватели]
Преподаватели курса —
эксперты из индустрии
Курс ведут эксперты в сфере ML из Ozon, Skyeng, Газпромбанка и других ведущих компаний. Вы сможете взаимодействовать с преподавателями, перенимать их опыт и задавать им вопросы.
Юрий Дмитрин
Директор центра технологий искусственного интеллекта, Интерсвязь
Кристина Желтова
Директор по разработке моделей, Газпромбанк
Марк Паненко
Chief Data Scientist, Ozon Bank
Мария Стенникова
Сооснователь Hvoya Construction, ранее Product Lead, Контур
Евгений Кокуйкин
Руководитель ИИ-продуктов, Raft
Андрей Гетманов
ML Researcher (AutoML, LLM), NSS Lab
Вадим Чижков
Product Manager, OneCell; преподаватель курса «Продуктовые исследования» в магистратуре по искусственному интеллекту ИТМО × Napoleon IT
Андрей Глазко
Senior ML Engineer, Zvonok
Варвара Новожилова
Head of Research & Development, Skyeng
[формат обучения]
>>
Онлайн-лекции на платформе Zoom в вечернее время
Онлайн-лекции на платформе Zoom в вечернее время
>>
Домашние задания с обратной связью от менторов
Домашние задания с обратной связью от менторов
>>
Возможность смотреть лекции в записи
Возможность смотреть лекции в записи
>>
Тесты с автоматической проверкой
Тесты с автоматической проверкой
>>
Групповые встречи с экспертами в формате Q&A
Групповые встречи с экспертами в формате Q&A
>>
Лайфкодинг
Лайфкодинг
>>
Итоговый проект — MVP на основе машинного обучения
Итоговый проект — MVP на основе машинного обучения
[что нужно уметь на старте]
Основы Python и работа с библиотеками (Numpy, Pandas)
Для комфортного обучения убедитесь, что вы обладаете необходимыми знаниями из списка
Опыт работы с Jupyter
>>
Основы машинного обучения и классических алгоритмов
Навык работы с данными и базами данных
Базовое знание git и FastAPI
>>
Перед стартом программы участники проходят техническое тестирование (~15 мин). Оно помогает:
вам —
оценить свой уровень и убедиться, что вы сможете комфортно осваивать материал
экспертам —
понять подготовку группы и подстроить объяснения
всей группе —
двигаться в одном темпе и одинаково понимать ключевые концепции
>>
>>
>>
[стоимость и оплата]
Стоимость обучения
[единоразовая оплата]
150 000 ₽
[поэтапная оплата в течение 4-х месяцев]*
50 000 ₽
(1-й месяц)
34 000 ₽
(2-й месяц)
33 000 ₽
(3-й месяц)
33 000 ₽
(4-й месяц)
беспроцентная рассрочка
от университета ИТМО
Остались вопросы? Заполните форму,
и мы свяжемся с вами в ближайшее время
и мы свяжемся с вами в ближайшее время
*
[FAQ]
Обучение проходит в формате онлайн-вебинаров 1–2 раза в неделю по вечерам (московское время). На вебинарах вы сможете взаимодействовать с экспертами, задавать им вопросы и сразу получать ответы. Если не успели на занятие, вы можете посмотреть его в записи и задать вопросы в чате курса.
После каждого занятия вас ждет практическое домашнее задание для закрепления изученной темы. На связи будут менторы — вы сможете обратиться к ним за помощью.
В конце каждого модуля необходимо выполнить проект — для этого понадобятся знания и навыки, освоенные в рамках модуля.
По результатам курса предстоит создать MVP — ML-сервис для решения конкретной бизнес-задачи — и представить свое решение на защите.
При желании вы сможете продолжить изучение ML в магистратуре по искусственному интеллекту от ИТМО × Napoleon IT.
В конце каждого модуля необходимо выполнить проект — для этого понадобятся знания и навыки, освоенные в рамках модуля.
По результатам курса предстоит создать MVP — ML-сервис для решения конкретной бизнес-задачи — и представить свое решение на защите.
При желании вы сможете продолжить изучение ML в магистратуре по искусственному интеллекту от ИТМО × Napoleon IT.
Для комфортного обучения понадобятся базовые знания Python и опыт работы с библиотеками для обработки данных (Pandas, Numpy). Важно понимать основы машинного обучения и разбираться в принципах работы моделей, а также знать основы разработки веб-приложений и инфраструктурных процессов.
Все зависит от вашего опыта и знаний на старте, но мы рекомендуем выделять на обучение от 15 часов в неделю.
Магистратура по искусственному интеллекту длится 2 года, а обучение на курсе «Практическая ML-инженерия: MLOps и разработка проектов» — 6 месяцев.
На курсе вы получите навык проектной работы — это обязательное требование к абитуриентам магистратуры. Студенты, которые успешно завершат обучение на курсе, смогут поступить в магистратуру по искусственному интеллекту AI Talent Hub.
На курсе вы получите навык проектной работы — это обязательное требование к абитуриентам магистратуры. Студенты, которые успешно завершат обучение на курсе, смогут поступить в магистратуру по искусственному интеллекту AI Talent Hub.
Одно из преимуществ курса — доступ к коммьюнити. Благодаря курсу вы систематизируете свои знания, однако многое зависит от вашего опыта на старте.
Занятия проходят в вечернее время, поэтому вы сможете совмещать их с работой, учебой и личной жизнью. Для домашних заданий установлены гибкие двухнедельные дедлайны.
Если в течение первых двух недель вы поймете, что курс вам не подходит, мы вернем всю стоимость обучения. После этого мы сможем вернуть остаток в зависимости от количества пройденных занятий.
©2024 [AI] Talent Hub
Остались вопросы?
aitalents@itmo.ru
Практическая ML-инженерия: MLOps и разработка проектов
Курс платный, доступна поэтапная оплата в течение 4-х месяцев.