CourseMadeКаталог
Создать свой курс
Назад в каталог

Автор: CourseMade

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

20 уроков5 ч

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.

Чему вы научитесь

Уроки откроются, когда курс появится в вашей библиотеке.

Модуль 1

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

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

Модуль 2

Модуль 2. Глубокое обучение: архитектуры, обучение и практика

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

Модуль 3

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

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

Модуль 4

Модуль 4. MLOps: инфраструктура, пайплайны и развёртывание

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

Модуль 5

Модуль 5. Распределённые вычисления и большие данные

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