[о программе]
В основе обучения — практика. В первом блоке курса вы научитесь разрабатывать сервисы на Python и создадите собственный сервис на основе Искусственного Интеллекта.
Далее вы погрузитесь в MLOps (практики внедрения и сопровождения моделей машинного обучения), чтобы вывести ваш сервис в прабочую среду, изучите оркестраторы (системы управления рабочими процессами) и подходы к хранению версий данных, научитесь проводить контролируемые эксперименты и работать с Model Registry (реестром моделей), а также освоите Model Serving и CI/CD (развертывание и методы непрерывной разработки).
Преподаватели — эксперты-практики из Ozon, Skyeng, Газпромбанка и других крупных компаний.
Далее вы погрузитесь в MLOps (практики внедрения и сопровождения моделей машинного обучения), чтобы вывести ваш сервис в прабочую среду, изучите оркестраторы (системы управления рабочими процессами) и подходы к хранению версий данных, научитесь проводить контролируемые эксперименты и работать с Model Registry (реестром моделей), а также освоите Model Serving и CI/CD (развертывание и методы непрерывной разработки).
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 области машинного обучения
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.
Исследователям данных
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]
Чтобы обучение было максимально эффективным для каждого, мы начинаем с выравнивающего модуля.
Его задача - вспомнить базу, договориться о терминах, т.к. все участники приходят с разным багажом знаний и профессиональным опытом.
Это позволит разговаривать на одном языке и двигаться по основной программе в едином темпе, не отвлекаясь на заполнение пробелов в процессе.
Его задача - вспомнить базу, договориться о терминах, т.к. все участники приходят с разным багажом знаний и профессиональным опытом.
Это позволит разговаривать на одном языке и двигаться по основной программе в едином темпе, не отвлекаясь на заполнение пробелов в процессе.
Научитесь разрабатывать веб-сервисы при помощи FastAPI (инструмента для разработки программных интерфейсов) . Познакомитесь с дизайном API (программного интерфейса) , а также подготовите сервис для вывода в рабочую среду.
>> Урок 1, 2: Дизайн API (программного интерфейса)
>> Урок 3, 4: Дизайн backend-части (программной логики)
>> Урок 5, 6: Создание front-части (пользовательской оболочки)
>> Урок 7, 8: Запуск и эксплуатация сервиса
>> Урок 9: ответы на вопросы по итогам блока
>> Урок 1, 2: Дизайн API (программного интерфейса)
>> Урок 3, 4: Дизайн backend-части (программной логики)
>> Урок 5, 6: Создание front-части (пользовательской оболочки)
>> Урок 7, 8: Запуск и эксплуатация сервиса
>> Урок 9: ответы на вопросы по итогам блока
Познакомитесь с основными концепциями DevOps (разработки и эксплуатации) и MLOps (эксплуатации моделей). Научитесь создавать автоматизированные пайплайны (конвейеры обработки) и воспроизводимые эксперименты. С поддержкой менторов автоматизируете развертывание проекта на удаленном сервере.
Содержание:
>> Урок 1. Введение в MLOps (эксплуатация моделей машинного обучения)
>> Урок 2. Инженерные практики машинного обучения
>> Урок 3. Оркестраторы (системы управления рабочими процессами)
>> Урок 4. Версионирование данных (управление версиями данных)
>> Урок 5. Версионируемые эксперименты и model registry (реестр моделей)
>> Урок 6. Model Serving (реестр моделей)
>> Урок 7. CI/CD (часть 1) (Непрерывная интеграция и доставка)
>> Урок 8. CI/CD (часть 2) (Непрерывная интеграция и доставка)
>> Урок 9. Сессия вопросов-ответов по итогам блока
Содержание:
>> Урок 1. Введение в MLOps (эксплуатация моделей машинного обучения)
>> Урок 2. Инженерные практики машинного обучения
>> Урок 3. Оркестраторы (системы управления рабочими процессами)
>> Урок 4. Версионирование данных (управление версиями данных)
>> Урок 5. Версионируемые эксперименты и model registry (реестр моделей)
>> Урок 6. Model Serving (реестр моделей)
>> Урок 7. CI/CD (часть 1) (Непрерывная интеграция и доставка)
>> Урок 8. CI/CD (часть 2) (Непрерывная интеграция и доставка)
>> Урок 9. Сессия вопросов-ответов по итогам блока
Пройдете весь путь создания продукта на базе машинного обучения: от идеи до вывода в эксплуатацию. Научитесь определять и подбирать методы машинного обучения, которые подходят для решения бизнес-задач. Определите, чем прототип отличается от MVP (минимально жизнеспособного продукта) и какая функциональность необходима на каждом этапе продуктовой разработки, а еще освоите навыки презентации продукта.
>> Урок 1. Презентация задачи и выбор датасета (набора данных)
>> Урок 2. Создаем прототип продукта
>> Урок 4. Бенчмаркинг продукта (конкурентный анализ продукта)
>> Урок 6. Формулируем задачу в терминах ML
>> Урок 8. Улучшаем модель
>> Урок 10. Упаковка MVP (минимально жизнеспособный продукт)
>> Урок 12. Презентация продукта
>> Урок 1. Презентация задачи и выбор датасета (набора данных)
>> Урок 2. Создаем прототип продукта
>> Урок 4. Бенчмаркинг продукта (конкурентный анализ продукта)
>> Урок 6. Формулируем задачу в терминах ML
>> Урок 8. Улучшаем модель
>> Урок 10. Упаковка MVP (минимально жизнеспособный продукт)
>> Урок 12. Презентация продукта
Блок 1: Выравнивающий блок
Чтобы обучение было максимально эффективным для каждого, мы начинаем с выравнивающего модуля.
Его задача - вспомнить базу, договориться о терминах, т.к. все участники приходят с разным багажом знаний и профессиональным опытом.
Это позволит разговаривать на одном языке и двигаться по основной программе в едином темпе, не отвлекаясь на заполнение пробелов в процессе.
Его задача - вспомнить базу, договориться о терминах, т.к. все участники приходят с разным багажом знаний и профессиональным опытом.
Это позволит разговаривать на одном языке и двигаться по основной программе в едином темпе, не отвлекаясь на заполнение пробелов в процессе.
2 онлайн-лекции
Блок 2: Практикум по разработке ML-сервисов
Научитесь разрабатывать веб-сервисы при помощи FastAPI (инструмента для разработки программных интерфейсов) . Познакомитесь с дизайном API (программного интерфейса) , а также подготовите сервис для вывода в рабочую среду.
>> Урок 1, 2: Дизайн API (программного интерфейса)
>> Урок 3, 4: Дизайн backend-части (программной логики)
>> Урок 5, 6: Создание front-части (пользовательской оболочки)
>> Урок 7, 8: Запуск и эксплуатация сервиса
>> Урок 9: ответы на вопросы по итогам блока
>> Урок 1, 2: Дизайн API (программного интерфейса)
>> Урок 3, 4: Дизайн backend-части (программной логики)
>> Урок 5, 6: Создание front-части (пользовательской оболочки)
>> Урок 7, 8: Запуск и эксплуатация сервиса
>> Урок 9: ответы на вопросы по итогам блока
9 онлайн-лекций
Блок 3: Введение в MLOps
(практики внедрения и сопровождения моделей машинного обучения)
Познакомитесь с основными концепциями DevOps (разработки и эксплуатации) и MLOps (эксплуатации моделей). Научитесь создавать автоматизированные пайплайны (конвейеры обработки) и воспроизводимые эксперименты. С поддержкой менторов автоматизируете развертывание проекта на удаленном сервере.
Содержание:
>> Урок 1. Введение в MLOps
>> Урок 2. Инженерные практики ML (эксплуатация моделей машинного обучения)
>> Урок 3. Оркестраторы (системы управления рабочими процессами)
>> Урок 4. Версионирование данных (управление версиями данных)
>> Урок 5. Версионируемые эксперименты и model registry (реестр моделей)
>> Урок 6. Model Serving (реестр моделей)
>> Урок 7. CI/CD (часть 1) (Непрерывная интеграция и доставка)
>> Урок 8. CI/CD (часть 2) (Непрерывная интеграция и доставка)
>> Урок 9. Сессия вопросов-ответов по итогам блока
Содержание:
>> Урок 1. Введение в MLOps
>> Урок 2. Инженерные практики ML (эксплуатация моделей машинного обучения)
>> Урок 3. Оркестраторы (системы управления рабочими процессами)
>> Урок 4. Версионирование данных (управление версиями данных)
>> Урок 5. Версионируемые эксперименты и model registry (реестр моделей)
>> Урок 6. Model Serving (реестр моделей)
>> Урок 7. CI/CD (часть 1) (Непрерывная интеграция и доставка)
>> Урок 8. CI/CD (часть 2) (Непрерывная интеграция и доставка)
>> Урок 9. Сессия вопросов-ответов по итогам блока
9 онлайн-лекций
Блок 4: My first Data Project
Пройдете весь путь создания продукта на базе машинного обучения: от идеи до вывода в эксплуатацию. Научитесь определять и подбирать методы машинного обучения, которые подходят для решения бизнес-задач. Определите, чем прототип отличается от MVP (минимально жизнеспособного продукта) и какая функциональность необходима на каждом этапе продуктовой разработки, а еще освоите навыки презентации продукта.
>> Урок 1. Презентация задачи и выбор датасета (набора данных)
>> Урок 2. Создаем прототип продукта
>> Урок 3. Бенчмаркинг продукта (конкурентный анализ продукта)
>> Урок 4. Формулируем задачу в терминах ML
>> Урок 5. Улучшаем модель
>> Урок 6. Упаковка MVP (минимально жизнеспособный продукт)
>> Урок 7. Презентация продукта
>> Урок 1. Презентация задачи и выбор датасета (набора данных)
>> Урок 2. Создаем прототип продукта
>> Урок 3. Бенчмаркинг продукта (конкурентный анализ продукта)
>> Урок 4. Формулируем задачу в терминах ML
>> Урок 5. Улучшаем модель
>> Урок 6. Упаковка MVP (минимально жизнеспособный продукт)
>> Урок 7. Презентация продукта
(практики внедрения и сопровождения моделей машинного обучения)
12 онлайн-лекций
Менторские сессии в мини-группах
Изучите стек технологий
MLOps (внедрения и сопровождения моделей)
01.
02.
03.
Подготовитесь к поступлению в магистратуру по ИИ летом 2026 года
Сделаете карьерный переход
Екатерина Костюк
DVC (управление версиями данных), Airflow, MLflow, ClearML, W&B, FastAPI (программный интерфейс), PyTest, Docker, GitLab CI (непрерывная интеграция) - ключевые инструменты для выведения моделей машинного обучения в рабочую среду. 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 проектов по машинному обучению от AI Talent Hub. Если эксперты высоко оценят ваш сервис, вы сможете поступить в магистратуру по ИИ без вступительных испытаний.
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 Машинное обучение..
Делимся историей нашей студентки Екатерины Костюк, которая раньше работала бэкенд-разработчиком, а теперь — ML-инженером в стартап-проекте, связанном с LLM-агентами (Большие языковые модели).
Делимся историей нашей студентки Екатерины Костюк, которая раньше работала бэкенд-разработчиком, а теперь — ML-инженером в стартап-проекте, связанном с LLM-агентами (Большие языковые модели).
[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 доведёте модель машинного обучения до рабочего состояния и добавите проект в портфолио.
На курсе вы доведёте модель машинного обучения до рабочего состояния и добавите проект в портфолио.
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 (тональность общения) канала, целевую аудиторию, цель сообщения и площадку.
Победитель Junior ML Contest
Сервис 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 специалистов в сфере информационных технологий
Cервис, который автоматически анализирует резюме специалистов в сфере информационных технологий, 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
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 Машинного обучения 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
Главный специалист по анализу данных в OZON BANK
Мария Стенникова
Сооснователь Hvoya Construction, ранее Product Lead, Контур
Андрей Гетманов
Специалист по исследованиям в области машинного обучения в NSS Lab
Вадим Чижков
Руководитель продуктовой команды в Everypixel, руководитель команды внутренней экосистемы инкубатора стартапов Korpus
Варвара Новожилова
Директор по стратегическому развитию в области ИИ в Lumiere, экс-руководитель отдела исследований и разработок в Skyeng, SberDevices, Райффайзен Банк
[формат обучения]
>>
Живые онлайн-лекции на платформе Zoom в вечернее время
Живые 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 “вопрос-ответ”
Групповые встречи с экспертами в формате “вопрос-ответ”
>>
Итоговый проект на основе машинного обучения
Итоговый проект 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
>>
>>
>>
>>
[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
Остались вопросы?
Заполните форму, и мы свяжемся с вами в ближайшее время
Заполните форму, и мы свяжемся с вами в ближайшее время
*
[Часто задаваемые вопросы]
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 (минимально жизнеспособный продукт) — сервис на основе машинного обучения для решения конкретной
бизнес-задачи — и представить свое решение на защите.
При желании вы сможете продолжить изучение машинного обучения 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 (минимально жизнеспособный продукт) — сервис на основе машинного обучения для решения конкретной
бизнес-задачи — и представить свое решение на защите.
При желании вы сможете продолжить изучение машинного обучения 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 инженерия машинного обучения” — 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 сообществу. 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 сроки сдачи заданий.
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.
Практическая ML-инженерия: MLOps и разработка проектов
Курс платный, доступна поэтапная оплата в течение 4-х месяцев.