Текст площадки «Sharewood». Упомянутые цены и обещанные результаты могут быть неактуальны; условия покупки проверяйте у продавца.
Подойдет для Data Scientists, Classic ML и NLP-инженеров уровня middle/middle+
Читать полное описание
Курс по Data Science для middle: senior-навыки за 6 недель
Подойдет для Data Scientists, Classic ML и NLP-инженеров уровня middle/middle+
Нужны базовые знания основ машинного обучения, математики и программирования
Будем писать на Python, но если ты программируешь на чем-то другом — это некритично. Вся практика будет применима на другие ЯП
В курсе осваиваем навыки, которые мешают расти мидлам
Как обнаружить проблемы в грязных данных в самом начале работы и сделать модель, устойчивую к дрейфу
Как учесть все инфраструктурные ограничения и раскатать модель на прод с первого раза без финансовых потерь
Как правильно мониторить деградацию моделей в проде, делать их стабильными и автоматически переобучать
Как строить хорошие признаки по нестабильным временным рядам — активности пользователей, курсу валют и др.
Как расти в зарплате через связку продуктовых и бизнес-метрик: увеличивать выручку и средний чек, а не техническую точность рекомендаций
Как тестировать раскатанную ML через A/B-тесты, избегать ложных выводов и потерь у смежных бизнес-подразделений
CDC
event sourcing
Практика:
синхронизация данных из двух источников разного типа, восстановление истории и замерка лага
Домашняя работа:
обнаружить и исправить временное смещение (temporal shift) в продакшн-данных
Неделя 2. Модели: оптимизация и нестандартные сценарии использования ML
На этой неделе учимся:
изучаем best practices BigTech-компаний для решения задач с различными данными
разбираем лучшие модели для табличных и текстовых данных, а также критерии их применения
учимся контролировать инференс изученных моделей и четко понимать, для каких задач использовать Bert, DSSM, XGBoost
Урок № 3 — База по моделям
Теория:
что и где используется в продакшн на примере кейсов из BigTech
Catboost vs Tabnet
NLP applications (Bert, DSSM)
интерпретируемость моделей
продвинутая борьба с переобучением
Практика:
настраиваем, обучаем, проверяем изученные модели на задаче с реальными данными
Урок № 4 — Оптимизация ML-моделей для продакшена
Теория:
квантование, дистилляция и pruning моделей (практические примеры из NLP/CV)
как выбирать между скоростью и точностью (cost vs quality)
Практика:
разбираем дистилляцию и pruning моделей на примере нейросетей для текстов
Домашняя работа:
уменьшить размер модели в 2 раза с минимальной потерей качества
Урок № 5 — Нестандартные сценарии использования ML
Теория:
модели для данных с задержкой: прогнозирование с incomplete data, Semi-supervised learning, Proxy labeling, Feature Lagging
ансамблирование в условиях ограниченных ресурсов
Практика:
адаптируем ML-решение задачи к данным с задержками, разбираем применимость в зависимости от характера задержек
Домашняя работа:
построить модель, работающую с частичными данными (имитация задержек)
Неделя 3. Real-time ML, потоковая обработка, мониторинг и обслуживание
На этой неделе учимся:
посмотрим на жизненный цикл модели в продакшене и best practices в MLOps инструментах
научимся чинить прод, проектировать архитектуру, взаимодействовать со смежными командами и писать свои процессы в рамках инфраструктуры BigTech
Урок № 6 — Real-time ML и потоковая обработка
Теория:
архитектура streaming-пайплайнов: Kafka + Flink/Spark Streaming
батчинг, кэширование, GPU-ускорение
Практика:
адаптиция признаков и моделей к свойствам архитектуры, функциональным и нефункциональным требованиям
Домашняя работа:
настроить потоковый пайплайн для обработки данных с задержкой
Урок № 7 — Мониторинг и обслуживание моделей
Теория:
детекция дрифта + автоматический ретранинг (Evidently, MLflow)
использование AutoML, полезные функции
как дебажить падающую модель в продакшене
Практика:
реализация систем мониторинга для моделей
Домашняя работа:
настроить алертинг при дрифте данных
Неделя 4. Feature Store, MLOps, оптимизация ресурсов
На этой неделе учимся:
научимся планировать ресурсы и масштабировать ML-продукты
поговорим про CI/CD и релизный цикл
научимся считать ресурсы CPU, GPU для cервисов, тестировать и контролировать релизы
Урок № 8 — Feature Store и MLOps
Теория:
когда и зачем нужен Feature Store (Hopsworks, Feast)
интеграция с CI/CD
тестирование моделей перед деплоем: Data Integrity Tests, Feature Tests, Model Quality tests
Практика:
создание, наполнение, взаимодействие с Feature Store
Домашняя работа:
разработка тестов для моделей и признаков в CI/CD
Урок № 9 — Оптимизация ресурсов
Теория:
как снизить стоимость ML в облаке: автоскейлинг, spot instances
Практика:
кейс: как экономить на инференсе на примере Spotify
Неделя 5. Связка продуктовых и бизнес-метрик
Урок № 10 — Продуктовые метрики и эксперименты
Теория:
как связать продуктовые и бизнес-метрики
как оценить влияние модели на бизнес (incremental lift, CUPED).
ликбез по A/B тестам для Data Scientist
почему A/B тесты могут врать (псевдо-рандомизация, сезонность)
Практика:
разработка интегральной метрики, учитывающей счастье пользователя и бизнес метрики для digital продукта.
проверка статистической значимости изменений
Домашняя работа:
промоделировать A/B тест внедрения модели, оценить значимость изменения целевой метрики
Урок № 11 — Что делать, когда ML не работает
BigTech-кейсы, где ML проигрывает простым правилам
как аргументировать отказ от ML перед бизнесом
Неделя 6. Дипломный проект
Автоматизировать обработку обращений клиентов с помощью классификации обращений.
Проект будет разбит на 2 этапа:
бизнес часть с формулировкой требований и полезности
разработка архитектуры и техническая реализация MVP
По желанию проект можно будет защитить в live-режиме и получить фидбек
В итоге прокачаем hard’ы до уровня Senior в BigTech и научимся:
Работать с «грязными» данными, искать смещения и дрифты
Использовать Feature engineering в real time системах и генерировать признаки с пониманием вычислительной сложности
Оптимизировать ML-модели для продакшна
Использовать специфику актуальных ML/DL моделей для работы с табличными и текстовыми данными
Контролировать жизненный цикл моделей в продакшне и строить мониторинги
Работать с MLOps инструментами и взаимодействовать с инфраструктурой
Преподает: Дмитрий Сафонов, Data Science Team Lead в Яндекс
разрабатываю алгоритмы антифрода рекламы, руковожу ML-командой - Яндекс
cтроил прогнозные модели биржевых индикаторов, разработал инфраструктуру для автоматизации ML-процессов - Quantum Brains
преподавал анализ данных на Python - СПБГЭУ
Тариф Стандарт
Один курс · разные способы доступа
Где удобнее учиться?
Сравните цену и то, как будете заниматься.
Выбирайте не только по цене
ЦенаСумма и выгодность предложения
Удобство интерфейсаОценка формата занятий
Встроенный просмотрБез скачивания всего курса
Занятия с телефонаБез работы с архивами
Без рекламыПри работе с материалами
Найти нужный моментНе пересматривая весь урок
Разобраться в темеПомощь по содержанию, не куратор
Попробовать до покупкиОзнакомительный урок
Скачать материалыДля занятий без интернета
Когда можно начать
Срок доступа
Выбрать площадку
История цен на площадкахФормат и условия
Как проходит обучение
Эти данные взяты из программы и описания площадки. Пустое поле означает, что на странице курса ответа не было.
Продавцы могут по-разному указать название, автора и программу. Ниже приведены отдельные описания источников.
СкладчикКурс Data Science [Тариф Стандарт] [balun.courses] [Дмитрий Сафонов]
Указаны на площадке: Дмитрий Сафонов
Курс по Data Science для middle: senior-навыки за 6 недель
Подойдет для Data Scientists, Classic ML и NLP-инженеров уровня middle/middle+
Нужны базовые знания основ машинного обучения, математики и программирования
Будем писать на Python, но если ты программируешь на чем-то другом — это некритично. Вся практика будет применима на другие ЯП
В курсе осваиваем навыки, которые мешают расти мидлам
Как обнаружить проблемы в грязных данных в самом начале работы и сделать модель, устойчивую к дрейфу
Как учесть все инфраструктурные ограничения и раскатать модель на прод с первого раза без финансовых потерь
Как правильно мониторить деградацию моделей в проде, делать их стабильными и автоматически переобучать
Как строить хорошие признаки по нестабильным временным рядам — активности пользователей, курсу валют и др.
Как расти в зарплате через связку продуктовых и бизнес-метрик: увеличивать выручку и средний чек, а не техническую точность рекомендаций
Как тестировать раскатанную ML через A/B-тесты, избегать ложных выводов и потерь у смежных бизнес-подразделений
CDC
event sourcing
Практика:
синхронизация данных из двух источников разного типа, восстановление истории и замерка лага
Домашняя работа:
обнаружить и исправить временное смещение (temporal shift) в продакшн-данных
Неделя 2. Модели: оптимизация и нестандартные сценарии использования ML
На этой неделе учимся:
изучаем best practices BigTech-компаний для решения задач с различными данными
разбираем лучшие модели для табличных и текстовых данных, а также критерии их применения
учимся контролировать инференс изученных моделей и четко понимать, для каких задач использовать Bert, DSSM, XGBoost
Урок № 3 — База по моделям
Теория:
что и где используется в продакшн на примере кейсов из BigTech
Catboost vs Tabnet
NLP applications (Bert, DSSM)
интерпретируемость моделей
продвинутая борьба с переобучением
Практика:
настраиваем, обучаем, проверяем изученные модели на задаче с реальными данными
Урок № 4 — Оптимизация ML-моделей для продакшена
Теория:
квантование, дистилляция и pruning моделей (практические примеры из NLP/CV)
как выбирать между скоростью и точностью (cost vs quality)
Практика:
разбираем дистилляцию и pruning моделей на примере нейросетей для текстов
Домашняя работа:
уменьшить размер модели в 2 раза с минимальной потерей качества
Урок № 5 — Нестандартные сценарии использования ML
Теория:
модели для данных с задержкой: прогнозирование с incomplete data, Semi-supervised learning, Proxy labeling, Feature Lagging
ансамблирование в условиях ограниченных ресурсов
Практика:
адаптируем ML-решение задачи к данным с задержками, разбираем применимость в зависимости от характера задержек
Домашняя работа:
построить модель, работающую с частичными данными (имитация задержек)
Неделя 3. Real-time ML, потоковая обработка, мониторинг и обслуживание
На этой неделе учимся:
посмотрим на жизненный цикл модели в продакшене и best practices в MLOps инструментах
научимся чинить прод, проектировать архитектуру, взаимодействовать со смежными командами и писать свои процессы в рамках инфраструктуры BigTech
Урок № 6 — Real-time ML и потоковая обработка
Теория:
архитектура streaming-пайплайнов: Kafka + Flink/Spark Streaming
батчинг, кэширование, GPU-ускорение
Практика:
адаптиция признаков и моделей к свойствам архитектуры, функциональным и нефункциональным требованиям
Домашняя работа:
настроить потоковый пайплайн для обработки данных с задержкой
Урок № 7 — Мониторинг и обслуживание моделей
Теория:
детекция дрифта + автоматический ретранинг (Evidently, MLflow)
использование AutoML, полезные функции
как дебажить падающую модель в продакшене
Практика:
реализация систем мониторинга для моделей
Домашняя работа:
настроить алертинг при дрифте данных
Неделя 4. Feature Store, MLOps, оптимизация ресурсов
На этой неделе учимся:
научимся планировать ресурсы и масштабировать ML-продукты
поговорим про CI/CD и релизный цикл
научимся считать ресурсы CPU, GPU для cервисов, тестировать и контролировать релизы
Урок № 8 — Feature Store и MLOps
Теория:
когда и зачем нужен Feature Store (Hopsworks, Feast)
интеграция с CI/CD
тестирование моделей перед деплоем: Data Integrity Tests, Feature Tests, Model Quality tests
Практика:
создание, наполнение, взаимодействие с Feature Store
Домашняя работа:
разработка тестов для моделей и признаков в CI/CD
Урок № 9 — Оптимизация ресурсов
Теория:
как снизить стоимость ML в облаке: автоскейлинг, spot instances
Практика:
кейс: как экономить на инференсе на примере Spotify
Неделя 5. Связка продуктовых и бизнес-метрик
Урок № 10 — Продуктовые метрики и эксперименты
Теория:
как связать продуктовые и бизнес-метрики
как оценить влияние модели на бизнес (incremental lift, CUPED).
ликбез по A/B тестам для Data Scientist
почему A/B тесты могут врать (псевдо-рандомизация, сезонность)
Практика:
разработка интегральной метрики, учитывающей счастье пользователя и бизнес метрики для digital продукта.
проверка статистической значимости изменений
Домашняя работа:
промоделировать A/B тест внедрения модели, оценить значимость изменения целевой метрики
Урок № 11 — Что делать, когда ML не работает
BigTech-кейсы, где ML проигрывает простым правилам
как аргументировать отказ от ML перед бизнесом
Неделя 6. Дипломный проект
Автоматизировать обработку обращений клиентов с помощью классификации обращений.
Проект будет разбит на 2 этапа:
бизнес часть с формулировкой требований и полезности
разработка архитектуры и техническая реализация MVP
По желанию проект можно будет защитить в live-режиме и получить фидбек
В итоге прокачаем hard’ы до уровня Senior в BigTech и научимся:
Работать с «грязными» данными, искать смещения и дрифты
Использовать Feature engineering в real time системах и генерировать признаки с пониманием вычислительной сложности
Оптимизировать ML-модели для продакшна
Использовать специфику актуальных ML/DL моделей для работы с табличными и текстовыми данными
Контролировать жизненный цикл моделей в продакшне и строить мониторинги
Работать с MLOps инструментами и взаимодействовать с инфраструктурой
Преподает: Дмитрий Сафонов, Data Science Team Lead в Яндекс
разрабатываю алгоритмы антифрода рекламы, руковожу ML-командой - Яндекс
cтроил прогнозные модели биржевых индикаторов, разработал инфраструктуру для автоматизации ML-процессов - Quantum Brains
преподавал анализ данных на Python - СПБГЭУ
Тариф Стандарт
Содержание обучения
Что в программе
01Программа44 урока
6 недель точечно закрываем каждый блок-факторВремя не указано
Не просто теория, а выжимка всего опыта от TeamLead из Яндекса. Лучшие практики из BigTech, разбор реальных бизнес-кейсов и много кода, который ты напишешь самостоятельноВремя не указано
Вводная частьВремя не указано
Неделя 1. Feature Engineering, Bias и согласованность данныхВремя не указано
Неделя 2. Модели: оптимизация и нестандартные сценарии использования MLВремя не указано
Неделя 3. Real-time ML, потоковая обработка, мониторинг и обслуживаниеВремя не указано
Неделя 4. Feature Store, MLOps, оптимизация ресурсовВремя не указано
Неделя 5. Связка продуктовых и бизнес-метрикВремя не указано
Неделя 6. Дипломный проектВремя не указано
Подробно:Время не указано
Вводная частьВремя не указано
проблематика курса: основные проблемы с данными, инфраструктурные сложности, слабая связь модельных и бизнес метрикВремя не указано
основные различия между датасетами обучения и работойВремя не указано
про табличные и текстовые данные из курса, отражающие реальные бизнес-процессы из финансовой, рекламной и других digital-сферВремя не указано
тонкости применения популярных в BigTech моделей для задач классификации, регрессии, ранжирования и прогнозирования — Catboost, Tabnet, DSSM, BertВремя не указано
Практика:Время не указано
BigTech-кейс с изменением поведения модели в продакшне, которое не определить стандартными методами. Подробный разбор предпосылок и последствий. Разбор методов оценки стабильности факторов, которые помогают избежать проблемы в продакшне
«В Курсе» — наш основной вариант для перехода. В таблице — возможности сервисов; состав конкретного курса уточняйте перед оплатой.
Как мы оцениваем и что входит в доступ
Звёзды — наша оценка, не отзывы покупателей. Удобство: 2 базовых балла, по одному за занятия без обязательного скачивания, навигацию по курсу и встроенного помощника. Оценка описывает формат сервиса, а не проверку каждого урока.
Цена сравнивается только при подтверждённых одинаковых тарифе, сроке и виде оплаты. Разница с минимальной ценой до 10% — 5 звёзд, до 30% — 4, до 60% — 3, до 100% — 2, больше — 1. Устаревшие и неизвестные цены не оцениваются. Прочерк означает, что данных недостаточно, а не что функции нет.
В Курсе
Зарегистрируйтесь, чтобы уточнить возможность доступа к этому материалу
Складчик
Условия оплаты
Взнос за участие на площадке: 3 400 ₽. Доступность материала зависит от стадии сбора.
На странице площадки указано: Стоимость 52600 руб.; Взнос 3 400 р.. Тип платежа, актуальность и соответствие полной цене курса требуют проверки.
Условия проверены 10.11.2026. Перед оплатой проверьте состав предложения у продавца.
Складчина.biz
Условия оплаты
Взнос за участие на площадке: 1 505 ₽. Доступность материала зависит от стадии сбора.
Условия проверены 15.10.2026. Перед оплатой проверьте состав предложения у продавца.
Если ваша подписка уже включает этот курс, отдельная покупка не нужна.
Тарифы проверены 20.11.2026
На странице площадки указано: Стоимость 52600 руб.. Тип платежа, актуальность и соответствие полной цене курса требуют проверки.
Условия проверены 20.11.2026. Перед оплатой проверьте состав предложения у продавца.
Программа этой площадки
Программа
Получено 10.11.2026
Складчина.biz[balun.courses] Data Science. Тариф Стандарт (Дмитрий Сафонов)
Указаны на площадке: Дмитрий Сафонов
Курс по Data Science для middle: senior-навыки за 6 недель
Подойдет для Data Scientists, Classic ML и NLP-инженеров уровня middle/middle+
Нужны базовые знания основ машинного обучения, математики и программирования
Будем писать на Python, но если ты программируешь на чем-то другом — это некритично. Вся практика будет применима на другие ЯП
В курсе осваиваем навыки, которые мешают расти мидлам
Как обнаружить проблемы в грязных данных в самом начале работы и сделать модель, устойчивую к дрейфу
Как учесть все инфраструктурные ограничения и раскатать модель на прод с первого раза без финансовых потерь
Как правильно мониторить деградацию моделей в проде, делать их стабильными и автоматически переобучать
Как строить хорошие признаки по нестабильным временным рядам — активности пользователей, курсу валют и др.
Как расти в зарплате через связку продуктовых и бизнес-метрик: увеличивать выручку и средний чек, а не техническую точность рекомендаций
Как тестировать раскатанную ML через A/B-тесты, избегать ложных выводов и потерь у смежных бизнес-подразделений
Программа этой площадки
Программа
Получено 21.10.2026
Складчина.biz[balun.courses] Data Science. Тариф Стандарт (Дмитрий Сафонов)
Указаны на площадке: Дмитрий Сафонов
Курс по Data Science для middle: senior-навыки за 6 недель
Подойдет для Data Scientists, Classic ML и NLP-инженеров уровня middle/middle+
Нужны базовые знания основ машинного обучения, математики и программирования
Будем писать на Python, но если ты программируешь на чем-то другом — это некритично. Вся практика будет применима на другие ЯП
В курсе осваиваем навыки, которые мешают расти мидлам
Как обнаружить проблемы в грязных данных в самом начале работы и сделать модель, устойчивую к дрейфу
Как учесть все инфраструктурные ограничения и раскатать модель на прод с первого раза без финансовых потерь
Как правильно мониторить деградацию моделей в проде, делать их стабильными и автоматически переобучать
Как строить хорошие признаки по нестабильным временным рядам — активности пользователей, курсу валют и др.
Как расти в зарплате через связку продуктовых и бизнес-метрик: увеличивать выручку и средний чек, а не техническую точность рекомендаций
Как тестировать раскатанную ML через A/B-тесты, избегать ложных выводов и потерь у смежных бизнес-подразделений
Программа этой площадки
Программа
Получено 15.10.2026
Складчина.biz[balun.courses] Data Science. Тариф Стандарт (Дмитрий Сафонов)
Указаны на площадке: Дмитрий Сафонов
Курс по Data Science для middle: senior-навыки за 6 недель
Подойдет для Data Scientists, Classic ML и NLP-инженеров уровня middle/middle+
Нужны базовые знания основ машинного обучения, математики и программирования
Будем писать на Python, но если ты программируешь на чем-то другом — это некритично. Вся практика будет применима на другие ЯП
В курсе осваиваем навыки, которые мешают расти мидлам
Как обнаружить проблемы в грязных данных в самом начале работы и сделать модель, устойчивую к дрейфу
Как учесть все инфраструктурные ограничения и раскатать модель на прод с первого раза без финансовых потерь
Как правильно мониторить деградацию моделей в проде, делать их стабильными и автоматически переобучать
Как строить хорошие признаки по нестабильным временным рядам — активности пользователей, курсу валют и др.
Как расти в зарплате через связку продуктовых и бизнес-метрик: увеличивать выручку и средний чек, а не техническую точность рекомендаций
Как тестировать раскатанную ML через A/B-тесты, избегать ложных выводов и потерь у смежных бизнес-подразделений
Программа этой площадки
Программа
Получено 04.11.2026
Складчина.biz[balun.courses] Data Science. Тариф Стандарт (Дмитрий Сафонов)
Указаны на площадке: Дмитрий Сафонов
Курс по Data Science для middle: senior-навыки за 6 недель
Подойдет для Data Scientists, Classic ML и NLP-инженеров уровня middle/middle+
Нужны базовые знания основ машинного обучения, математики и программирования
Будем писать на Python, но если ты программируешь на чем-то другом — это некритично. Вся практика будет применима на другие ЯП
В курсе осваиваем навыки, которые мешают расти мидлам
Как обнаружить проблемы в грязных данных в самом начале работы и сделать модель, устойчивую к дрейфу
Как учесть все инфраструктурные ограничения и раскатать модель на прод с первого раза без финансовых потерь
Как правильно мониторить деградацию моделей в проде, делать их стабильными и автоматически переобучать
Как строить хорошие признаки по нестабильным временным рядам — активности пользователей, курсу валют и др.
Как расти в зарплате через связку продуктовых и бизнес-метрик: увеличивать выручку и средний чек, а не техническую точность рекомендаций
Как тестировать раскатанную ML через A/B-тесты, избегать ложных выводов и потерь у смежных бизнес-подразделений
Программа этой площадки
Программа
Получено 03.10.2026
Sharewood«Курс Data Science [Тариф Стандарт] [balun.courses]» [Дмитрий Сафонов]
Указаны на площадке: Дмитрий Сафонов
Курс по Data Science для middle: senior-навыки за 6 недель
Подойдет для Data Scientists, Classic ML и NLP-инженеров уровня middle/middle+
Нужны базовые знания основ машинного обучения, математики и программирования
Будем писать на Python, но если ты программируешь на чем-то другом — это некритично. Вся практика будет применима на другие ЯП
В курсе осваиваем навыки, которые мешают расти мидлам
Как обнаружить проблемы в грязных данных в самом начале работы и сделать модель, устойчивую к дрейфу
Как учесть все инфраструктурные ограничения и раскатать модель на прод с первого раза без финансовых потерь
Как правильно мониторить деградацию моделей в проде, делать их стабильными и автоматически переобучать
Как строить хорошие признаки по нестабильным временным рядам — активности пользователей, курсу валют и др.
Как расти в зарплате через связку продуктовых и бизнес-метрик: увеличивать выручку и средний чек, а не техническую точность рекомендаций
Как тестировать раскатанную ML через A/B-тесты, избегать ложных выводов и потерь у смежных бизнес-подразделений
CDC
event sourcing
Практика:
синхронизация данных из двух источников разного типа, восстановление истории и замерка лага
Домашняя работа:
обнаружить и исправить временное смещение (temporal shift) в продакшн-данных
Неделя 2. Модели: оптимизация и нестандартные сценарии использования ML
На этой неделе учимся:
изучаем best practices BigTech-компаний для решения задач с различными данными
разбираем лучшие модели для табличных и текстовых данных, а также критерии их применения
учимся контролировать инференс изученных моделей и четко понимать, для каких задач использовать Bert, DSSM, XGBoost
Урок № 3 — База по моделям
Теория:
что и где используется в продакшн на примере кейсов из BigTech
Catboost vs Tabnet
NLP applications (Bert, DSSM)
интерпретируемость моделей
продвинутая борьба с переобучением
Практика:
настраиваем, обучаем, проверяем изученные модели на задаче с реальными данными
Урок № 4 — Оптимизация ML-моделей для продакшена
Теория:
квантование, дистилляция и pruning моделей (практические примеры из NLP/CV)
как выбирать между скоростью и точностью (cost vs quality)
Практика:
разбираем дистилляцию и pruning моделей на примере нейросетей для текстов
Домашняя работа:
уменьшить размер модели в 2 раза с минимальной потерей качества
Урок № 5 — Нестандартные сценарии использования ML
Теория:
модели для данных с задержкой: прогнозирование с incomplete data, Semi-supervised learning, Proxy labeling, Feature Lagging
ансамблирование в условиях ограниченных ресурсов
Практика:
адаптируем ML-решение задачи к данным с задержками, разбираем применимость в зависимости от характера задержек
Домашняя работа:
построить модель, работающую с частичными данными (имитация задержек)
Неделя 3. Real-time ML, потоковая обработка, мониторинг и обслуживание
На этой неделе учимся:
посмотрим на жизненный цикл модели в продакшене и best practices в MLOps инструментах
научимся чинить прод, проектировать архитектуру, взаимодействовать со смежными командами и писать свои процессы в рамках инфраструктуры BigTech
Урок № 6 — Real-time ML и потоковая обработка
Теория:
архитектура streaming-пайплайнов: Kafka + Flink/Spark Streaming
батчинг, кэширование, GPU-ускорение
Практика:
адаптиция признаков и моделей к свойствам архитектуры, функциональным и нефункциональным требованиям
Домашняя работа:
настроить потоковый пайплайн для обработки данных с задержкой
Урок № 7 — Мониторинг и обслуживание моделей
Теория:
детекция дрифта + автоматический ретранинг (Evidently, MLflow)
использование AutoML, полезные функции
как дебажить падающую модель в продакшене
Практика:
реализация систем мониторинга для моделей
Домашняя работа:
настроить алертинг при дрифте данных
Неделя 4. Feature Store, MLOps, оптимизация ресурсов
На этой неделе учимся:
научимся планировать ресурсы и масштабировать ML-продукты
поговорим про CI/CD и релизный цикл
научимся считать ресурсы CPU, GPU для cервисов, тестировать и контролировать релизы
Урок № 8 — Feature Store и MLOps
Теория:
когда и зачем нужен Feature Store (Hopsworks, Feast)
интеграция с CI/CD
тестирование моделей перед деплоем: Data Integrity Tests, Feature Tests, Model Quality tests
Практика:
создание, наполнение, взаимодействие с Feature Store
Домашняя работа:
разработка тестов для моделей и признаков в CI/CD
Урок № 9 — Оптимизация ресурсов
Теория:
как снизить стоимость ML в облаке: автоскейлинг, spot instances
Практика:
кейс: как экономить на инференсе на примере Spotify
Неделя 5. Связка продуктовых и бизнес-метрик
Урок № 10 — Продуктовые метрики и эксперименты
Теория:
как связать продуктовые и бизнес-метрики
как оценить влияние модели на бизнес (incremental lift, CUPED).
ликбез по A/B тестам для Data Scientist
почему A/B тесты могут врать (псевдо-рандомизация, сезонность)
Практика:
разработка интегральной метрики, учитывающей счастье пользователя и бизнес метрики для digital продукта.
проверка статистической значимости изменений
Домашняя работа:
промоделировать A/B тест внедрения модели, оценить значимость изменения целевой метрики
Урок № 11 — Что делать, когда ML не работает
BigTech-кейсы, где ML проигрывает простым правилам
как аргументировать отказ от ML перед бизнесом
Неделя 6. Дипломный проект
Автоматизировать обработку обращений клиентов с помощью классификации обращений.
Проект будет разбит на 2 этапа:
бизнес часть с формулировкой требований и полезности
разработка архитектуры и техническая реализация MVP
По желанию проект можно будет защитить в live-режиме и получить фидбек
В итоге прокачаем hard’ы до уровня Senior в BigTech и научимся:
Работать с «грязными» данными, искать смещения и дрифты
Использовать Feature engineering в real time системах и генерировать признаки с пониманием вычислительной сложности
Оптимизировать ML-модели для продакшна
Использовать специфику актуальных ML/DL моделей для работы с табличными и текстовыми данными
Контролировать жизненный цикл моделей в продакшне и строить мониторинги
Работать с MLOps инструментами и взаимодействовать с инфраструктурой
Преподает: Дмитрий Сафонов, Data Science Team Lead в Яндекс
разрабатываю алгоритмы антифрода рекламы, руковожу ML-командой - Яндекс
cтроил прогнозные модели биржевых индикаторов, разработал инфраструктуру для автоматизации ML-процессов - Quantum Brains
преподавал анализ данных на Python - СПБГЭУ
Тариф Стандарт
Программа этой площадки
Программа
Получено 20.11.2026
Время не указано
*на основе сервиса для настройки рекламыВремя не указано
Неделя 1. Feature Engineering, Bias и согласованность данныхВремя не указано
На этой неделе учимся:Время не указано
видеть основные проблемы, которые встречаются в продакшн данных и бороться с нимиВремя не указано
генерить признаки по реальным данным, оценивать их полезность и стабильностьВремя не указано
спасать модели от переобучения, а бизнес — от финансовых потерьВремя не указано
Урок № 1 — Feature Engineering для продакшенаВремя не указано
Теория:Время не указано
основные методы feature engineeringВремя не указано
Практика:Время не указано
генерация фичей в условиях нестабильных данныхВремя не указано
PSI, Jensen-Shannon DivergenceВремя не указано
дисперсия признаковВремя не указано
различное поведение в зависимости от срезаВремя не указано
потеря информации при нормировкеВремя не указано
работа с категориальными переменными в продакшенеВремя не указано
обработка новых категорийВремя не указано
хэшированиеВремя не указано
Домашняя работа:Время не указано
генерация стабильных фичей из сырых данных. Отбор полезных, которые лучше всего объясняют таргетВремя не указано
Урок № 2 — Смещения (Bias) и согласованность данныхВремя не указано
Теория:Время не указано
продвинутые методы детекции и коррекции biasВремя не указано
Causal Inference для рекомендательных системВремя не указано
Fairness MetricsВремя не указано
Reweighing, Sample Balancing, Fair Representation LearningВремя не указано
Синхронизация данных из распределенных источниковВремя не указано
Похожие курсы и совпадения: данные сейчас недоступны. Повторить загрузку