CourseMadeCatalog
Build your own
Back to catalog

By CourseMade

AI-инженер: от идеи до продакшена — полный курс для создания собственного AI-продукта

20 lessons5h

Практический курс, который проведёт вас от основ машинного обучения до развёртывания production-ready AI-систем. Вы научитесь проектировать, обучать, оптимизировать и деплоить модели, используя современные инструменты (PyTorch, Hugging Face, Docker, Kubernetes, MLflow) и следуя лучшим практикам MLOps.

What you'll learn

Lessons unlock once the course is in your library.

Module 1

Модуль 1. Фундамент AI-инженерии: Python, математика и data pipeline

4 lessons
  1. 011.1. Python для AI: продвинутые приёмы и эффективный код14 min
  2. 021.2. NumPy и Pandas: работа с данными на профессиональном уровне14 min
  3. 031.3. Feature Engineering: превращаем сырые данные в ценные признаки15 min
  4. 041.4. Введение в Scikit-learn: от линейной регрессии до ансамблей15 min

Module 2

Модуль 2. Глубокое обучение: архитектуры, обучение и практика

6 lessons
  1. 012.1. PyTorch с нуля: тензоры, автоград и тренировочный цикл18 min
  2. 022.2. Свёрточные нейросети (CNN): архитектуры и transfer learning15 min
  3. 032.3. Рекуррентные сети (RNN, LSTM, GRU) и работа с последовательностями14 min
  4. 042.4. Трансформеры и механизм внимания: от теории до Hugging Face15 min
  5. 052.5. Компьютерное зрение: детекция, сегментация и генеративные модели14 min
  6. 062.6. Обработка естественного языка (NLP): от токенизации до LLM15 min

Module 3

Модуль 3. Продвинутые техники: обучение с подкреплением, интерпретируемость и оптимизация

3 lessons
  1. 013.1. Обучение с подкреплением (RL): основы и практические алгоритмы18 min
  2. 023.2. Интерпретируемость и объяснимость моделей (XAI)18 min
  3. 033.3. Оптимизация и сжатие моделей: квантизация, прунинг, дистилляция18 min

Module 4

Модуль 4. MLOps: инфраструктура, пайплайны и развёртывание

5 lessons
  1. 014.1. Docker и контейнеризация ML-моделей15 min
  2. 024.2. Kubernetes для ML: оркестрация и масштабирование15 min
  3. 034.3. MLflow и Kubeflow: версионирование, эксперименты и пайплайны18 min
  4. 044.4. Развёртывание моделей: FastAPI, Flask, ONNX Runtime и Triton18 min
  5. 054.5. CI/CD для ML: автоматизация тестирования и деплоя14 min

Module 5

Модуль 5. Распределённые вычисления и большие данные

2 lessons
  1. 015.1. Apache Spark и Ray: распределённая обработка данных и обучение15 min
  2. 025.2. Работа с неструктурированными данными в масштабе15 min