Data Scientist: от данных до деплоя моделей

Этот курс посвящён полному прикладному циклу Data Science: от постановки ML-задачи и анализа данных до сервиса предсказаний, CI/CD и мониторинга модели в продакшне.

Вместо абстрактного “обучили модель в ноутбуке и пошли дальше” Вы пройдёте весь рабочий контур, который нужен в реальных проектах: формализация задачи, выбор метрик, проверка качества данных, поиск утечек, построение признаков, обучение baseline- и gradient boosting-моделей, experiment tracking, оценка качества, error analysis, model serving, автоматические проверки и мониторинг после релиза.

В курсе отдельно разобраны важные практические темы, которые часто упускают в классических ML-курсах: reproducibility, data leakage, стабильность признаков, ложное улучшение качества, API-контракт для inference, batch-inference, тестирование data pipeline и inference API, quality gates перед деплоем, data drift и prediction drift.

Курс подойдёт тем, кто хочет не просто запускать модели, а понимать, как довести ML-решение до рабочего продакшн-сценария: с воспроизводимостью, валидацией, сервисом предсказаний, мониторингом и понятной коммуникацией результатов.

Программа курса включает:

— постановку ML-задачи и работу с данными;

— feature engineering и подготовку признаков;

— обучение и валидацию моделей;

— experiment tracking и оценку качества;

— error analysis и итеративное улучшение;

— подготовку модели к деплою;

— CI/CD для ML-проектов;

— мониторинг и поддержку моделей в продакшне;

— коммуникацию результатов и ограничений модели.

P.S. Ранее курс размещался на Stepik, отзывы ниже взяты оттуда