ML Engineer / Data Scientist: табличные модели в продакшн
Практический курс для тех, кто хочет получить навыки ML Engineer / Data Scientist на реальных табличных задачах. В курсе Вы не просто обучите CatBoost/LightGBM, а соберёте полноценный production-style пайплайн: подготовка данных, feature engineering (генерация признаков), корректная валидация, защита от leakage (утечек), тюнинг через Optuna, интерпретация через SHAP, batch-инференс и REST API для предсказаний.
О курсе
Этот курс — про инженерную сборку сильных моделей на табличных данных под реальные задачи. Мы идём от подготовки данных и корректной валидации к CatBoost/LightGBM, feature engineering и тюнингу гиперпараметров (включая Optuna). Дальше — интерпретация модели (feature importance, SHAP) и диагностика типовых провалов качества: leakage, неправильный split, переобучение и ошибки preprocessing.
Ничего лишнего: каждое занятие заканчивается артефактом — ноутбук/скрипт, таблица экспериментов, отчёт метрик, сохранённая модель или inference pipeline. В финале Вы соберёте воспроизводимый пайплайн обучения и инференса (batch + простой REST API), который можно положить в GitHub-портфолио.
Чему научитесь
- Готовить табличные данные и строить валидацию без утечки целевой переменной
- Создавать и отбирать признаки для реальных задач классификации и регрессии
- Обучать и сравнивать модели CatBoost и LightGBM по подходящим метрикам
- Настраивать гиперпараметры с Optuna и вести воспроизводимую историю экспериментов
- Интерпретировать прогнозы с feature importance и SHAP и находить причины ошибок
- Собирать batch-инференс и REST API, контролировать качество и дрейф модели
Для кого
- Аналитики и начинающие Data Scientist, которые хотят перейти от ноутбука к воспроизводимому ML-пайплайну
- Python-разработчики, осваивающие табличное машинное обучение и production-практики
- ML-специалисты, которым нужна системная практика с CatBoost, LightGBM, Optuna и SHAP
Формат
- 8 модулей и 40 последовательных уроков
- Практика на табличных данных: от подготовки признаков до deployment и мониторинга
- Каждый модуль заканчивается проверяемым артефактом: ноутбуком, отчётом, моделью или сервисом
- Итоговый результат — воспроизводимый pipeline обучения и инференса
Что нужно на старте
- Уверенный базовый Python
- Начальные навыки работы с pandas и NumPy
- Понимание базовых задач классификации и регрессии
- Умение запускать Jupyter Notebook и устанавливать Python-пакеты
Автор курса
Алексей Малышкин
Разрабатываю образовательные материалы по программированию, машинному обучению и анализу данных. Темы: Python-разработка, аналитика, ML-инструменты (LangChain, vector databases, AI agents), компьютерное зрение. Стараюсь объяснять технические концепции понятно и структурировано. Ранее преподавал на Stepik и обучил более 2000 студентов. Мой профиль на Stepik - https://stepik.org/users/273781420/profile Мой телеграм для связи @alexey_latorn
