Нажмите «ОК», если вы согласны с условиями обработки cookie и данных о поведении на сайте, необходимых для аналитики. Запретить обработку можно через браузер.
длительность
16 недель
16 недель
онлайн-встречи
2 раза в неделю
2 раза в неделю
курс от практика
из индустрии
из индустрии
СТАРТ ПОТОКА
26 октября
26 октября
Научитесь создавать надежные и эффективные системы машинного обучения и искусственного интеллекта (ML- и AI-системы) и поддерживать их стабильную работу
ML Design: Основы проектирования систем машинного обучения и ИИ-систем
Регистрация на образовательной платформе
Для оплаты курса вам необходимо зарегистрироваться на нашей образовательной платформе, указав ваши имя, фамилию и электронную почту.
Если у вас уже есть учётная запись, можно использовать её.
Если у вас уже есть учётная запись, можно использовать её.
Зачем изучать проектирование ML-систем (систем машинного обучения) >>
В этом поможет ML system Design — проектирование систем машинного обучения:
Машинное обучение — это больше, чем просто модели
Чтобы алгоритмы работали в реальном мире, нужна система, которая масштабируется, обновляется и приносит пользу бизнесу
На курсе вы получите целостное понимание основ ML System Design — от архитектуры до интеграции и поддержки
В обновлённой программе добавлен блок про системы искусственного интеллекта (AI-системы) на базе больших языковых моделей и агентов.
В обновлённой программе добавлен блок про системы искусственного интеллекта (AI-системы) на базе больших языковых моделей и агентов.
> Это новая дисциплина, необходимая для инженеров, аналитиков и всех, кто создает интеллектуальные продукты
> Помогает разрабатывать надежные и устойчивые системы ML-решения, которые работают не только в тестах, но и в в реальной рабочей среде
> Научит вас лучше разбираться в моделях и проектировать вокруг них полноценную систему
> Помогает разрабатывать надежные и устойчивые системы ML-решения, которые работают не только в тестах, но и в в реальной рабочей среде
> Научит вас лучше разбираться в моделях и проектировать вокруг них полноценную систему
Кому подойдёт курс //
Углубите навыки: научитесь обеспечивать стабильную работу ML-систем на долгий срок и сможете претендовать на более высокие позиции
Освоите дисциплины, которые помогут комплексно смотреть на проектирование систем, понимать возможности и ограничения каждого решения
Руководителям технических команд
Опытным ML-инженерам
Заложите фундамент для успешной карьеры в машинном обучении. Получите рекомендации, которые пригодятся уже в первом проекте
Начинающим специалистам в ML
Поймете из каких частей стоит ML-проект, на какие вещи обращать внимание при проектировании и как верно описывать ML-проекты
Владельцы продукта и продакт / проджект-менеджеры
чему вы научитесь
Улучшите навыки анализа ошибок, обучения пайплайнов, работы с признаками (фичами) и тестирования модели для оценки её производительности
Обеспечивать точность системы
Поймете, как формулировать задачи и выделять ключевые этапы, чтобы хорошо ориентироваться в проекте
Понимать проблемы и принимать решения в ML-проектах
Освоите разные методы интеграции ML-продукта в экосистему. Узнаете, как оптимизировать деплой, мониторить работу модели и обслуживать, чтобы она была управляемой и масштабируемой
Интегрировать и масштабировать решения
Научитесь выбирать метрики и функции потерь, создавать надежный пайплайн данных и комбинировать методы валидации, чтобы сразу готовить качественную версию модели
Правильно действовать ещё в ранней стадии разработки
преподаватель курса >>
А также:
валерий бабушкин
Старший директор данных, аналитики и искусственного интеллекта в British Petroleum
> Руководитель в сфере обработки данных с большим опытом работы в технологической отрасли
> Отвечает за реализацию инициатив BP, основанных на данных
> Работал в ведущих технологических компаниях: Blockchain.com, Alibaba и X5 Retail Group
> Отвечает за реализацию инициатив BP, основанных на данных
> Работал в ведущих технологических компаниях: Blockchain.com, Alibaba и X5 Retail Group
программа обучения //
Программа построена последовательно: от постановки задачи и дизайн-документа до данных, метрик, интеграции, мониторинга и поддержки ML-системы
Добавлен блок про системы искусственного интеллекта (AI-системы) на базе больших языковых моделей и агентов
Разберёте, как переходить от бизнес-задачи к постановке ML-проекта: учитывать ограничения, риски, цену ошибки и возможные подходы к решению
Поймёте, как оценивать вводные до начала разработки: проблему, доступные решения, технические ограничения и уровень инновационности
Предварительные исследования
Разберёте структуру дизайн-документа, цели и антицели, а также роль документации в синхронизации команды
Дизайн-документ
/1
/2
/3
/4
/5
/6
Пространство проблемы и пространство решения
Научитесь выбирать функции потерь и метрики качества с учётом задачи, модели и будущей оценки результата
Разберёте, как подходить к сбору и подготовке данных: учитывать источники, метаданные, объём данных, холодный старт и требования к пайплайну данных
Сбор датасетов
Поймёте, как выбирать схемы валидации и получать достоверную оценку качества модели
Схемы валидации
Функции потерь и метрики
/7
/8
/9
Разберёте, зачем нужны базовые решения и как использовать их для оценки прогресса ML-системы
Разберёте подходы к системам на базе LLM: контекст, память, function calling, инструменты, агентские сценарии и ограничения таких решений
RAG и AI-системы на базе больших языковых моделей
На практических разборах увидите, как анализируются дизайн-документы и какие вопросы возникают к постановке задачи, данным, метрикам, архитектуре и реализации
Ревью дизайн-документов
Бейзлайны
/10
/11
/12
Научитесь разбирать ошибки модели, анализировать переобучение и недообучение, остатки и закономерности в ошибках
Разберёте устройство пайплайнов обучения, инструменты, масштабируемость, конфигурируемость и тестирование
Пайплайны обучения
Поймёте, как создавать, оценивать и отбирать признаки, а также работать с хранилищем фичей
Фичи и фиче-инжиниринг
Анализ ошибок
/13
/14
/15
Разберёте, как оценивать результаты, готовить отчёты и доносить выводы по работе модели
Поймёте, как встроить ML-модель в продуктовую экосистему: продумать API, релизный цикл и fallback-стратегии
Интеграция
Разберёте, как отслеживать качество системы после запуска: следить за данными, метриками, дата-дрифтом, концепт-дрифтом и признаками деградации
Мониторинг и надёжность
Репортинг
/16
/17
/18
Поймёте, как оптимизировать инференс по скорости, стоимости и устойчивости в реальной нагрузке
Разберёте роли, зоны ответственности, bus factor, документацию и поддержку ML-системы после запуска
Управление и обслуживание
В финальной части курса проходят презентации дизайн-документов и разбор проектных решений
Презентация дизайн-документа
Обслуживание и оптимизация инференса
стоимость обучения >>
> Пройдёте обновлённый курс по проектированию ML-систем: от постановки задачи и дизайн-документа до данных, метрик, интеграции, мониторинга и поддержки решений
> Разберёте новый блок про системы искусственного интеллекта на базе больших языковых моделей и агентов
> Закрепите знания на интерактивных онлайн-занятиях с Валерием Бабушкиным
ПРАКТИКА
> Разберёте дизайн-документы и реальные сценарии проектирования ML-систем
> Увидите, как выбирать архитектурные решения, учитывать ограничения и работать с трейд-оффами
> Получите рекомендации, которые помогут применить знания в рабочих задачах
> Разберёте новый блок про системы искусственного интеллекта на базе больших языковых моделей и агентов
> Закрепите знания на интерактивных онлайн-занятиях с Валерием Бабушкиным
ПРАКТИКА
> Разберёте дизайн-документы и реальные сценарии проектирования ML-систем
> Увидите, как выбирать архитектурные решения, учитывать ограничения и работать с трейд-оффами
> Получите рекомендации, которые помогут применить знания в рабочих задачах
ML Design
+ Примете участие в отдельном интерактивном формате Валерия Бабушкина для отработки системного дизайна ML-систем
+ В команде разберёте сложный кейс, обсудите варианты решения и архитектурные компромиссы
+ Сравните подходы с другими участниками и получите обратную связь от Валерия
+ В команде разберёте сложный кейс, обсудите варианты решения и архитектурные компромиссы
+ Сравните подходы с другими участниками и получите обратную связь от Валерия
> Все из тарифа ML Design
ML Design + ML Kata
Тариф 1
Тариф 2
7 735 ₽ / мес.
В РАССРОЧКУ ОТ:
189 000 ₽
ОДНИМ ПЛАТЕЖОМ:
при рассрочке на 24 месяца
178 500 ₽
ОДНИМ ПЛАТЕЖОМ:
Оплачивайте курс так, как удобно: единовременно со скидкой до 16% или в рассрочку
Беспроцентная рассрочка или оплата частями от наших партнёров:
Получите нужные навыки и развивайтесь в профессии — обучение может оплатить ваш работодатель
Повышайте квалификацию за счёт компании
Можно вернуть до 13% от стоимости обучения
Налоговый вычет
Если за две недели курс вам не подойдёт, вернем полную стоимость. Позже — за вычетом пройденных уроков
Не подойдёт — вернём оплату
Выберите удобный срок рассрочки на этапе оплаты — от 4 до 24 месяцев
ОСТАВИТЬ ЗАЯВКУ
Мы свяжемся с вами для того, чтобы ответить на все вопросы по ней.
Документы после выпуска //
> Упаковывайте полученный опыт в портфолио
> Получайте сертификаты на русском и английском языках
вопросы и ответы >>
Подготовьтесь к тому, чтобы выделять 4−6 часов в неделю. Это оптимальный график, чтобы уверенно осваивать новые навыки и не перегружаться
Этот курс не фокусируется на теме собеседований в машинном обучении, но он даст необходимые знания для успешного старта и развития в сфере машинного обучения. Вы будете знать многое, о чем спрашивают на собеседованиях
Мы пониманием, что многие студенты работают, поэтому адаптировали под вас график обучения. Онлайн-встречи проходят только по выходным
Да, школа работает на основании государственной лицензии, что дает вам право на налоговый вычет за обучение.
Да, как налоговый резидент РФ вы можете вернуть до 13% стоимости обучения. Мы предоставим все необходимые документы.
Да, вы можете оплатить курс единовременно или оформить рассрочку на срок до 24 месяцев. Также обучение может оплатить ваш работодатель.
Да, в течение первых двух недель после начала обучения можно вернуть полную стоимость. Позже — за вычетом стоимости пройденных уроков.
Курс проходит в формате интерактивных онлайн-встреч с Валерием Бабушкиным. Занятия проходят 2 раза в неделю, записи и материалы остаются доступны студентам. В программе есть разборы дизайн-документов и финальные презентации проектных решений участников.
Курс рассчитан на начинающих специалистов в ML, а также на опытных инженеров. Наличие базового понимания принципов машинного обучения и опыта работы с данными будет большим преимуществом. В то же время курс будет полезен и для владельцев бизнеса и продуктовых менеджеров, чтобы понимать, из каких частей стоит ML-проект, на какие вещи обращать внимание при проектировании и как верно описывать ML-проекты
Дизайн-документ — это ключевой артефакт в проектировании систем машинного обучения, описывающий архитектуру, решения и план реализации. На курсе вы с нуля создадите и представите собственный дизайн-документ для реального сценария.
Вы разберёте полный цикл проектирования ML-системы: от постановки задачи, выбора метрик и работы с данными до интеграции, мониторинга, анализа ошибок и поддержки решения. В обновлённой программе также есть блок про системы искусственного интеллекта на базе больших языковых моделей и агентов.
ML Kata — это отдельный интерактивный формат Валерия Бабушкина для отработки системного дизайна ML-систем. Участники работают в командах над сложным кейсом, обсуждают варианты решения, архитектурные компромиссы и получают обратную связь.
Владение навыками Ml System Design — ключевой навык для перехода на позиции старшего инженера машинного обучения (Senior ML-инженера), архитектора или руководителя. Курс структурирует ваш опыт и дает системный подход к решению сложных задач.
Вы сможете претендовать на роли, требующие глубокого понимания жизненного цикла ML-продуктов (продуктов на основе машинного обучения): средний (middle) или старший (senior) инженер машинного обучения, архитектор ML-систем или специалист по MLOps (инженер, отвечающий за автоматизацию, внедрение и сопровождение моделей машинного обучения)
Курс фокусируется на углублении профессиональных технических навыков (hard skills). Карьерные перспективы значительно повышаются за счет сильного портфолио (дизайн-документ) и экспертизы, востребованной у ведущих работодателей.
Это дисциплина, которая превращает алгоритм в надежную, масштабируемую и приносящую пользу бизнесу систему. Она охватывает все этапы — от данных и обучения до интеграции, мониторинга и поддержки, что критически важно для успеха любого ИИ-продукта.
Ключевые этапы: постановка задачи и выбор baseline (эталонной модели), проектирование пайплайна (конвейера обработки) данных и генерация признаков, создание тренировочного пайплайна, интеграция и дизайн программного интерфейса (API-дизайн), настройка мониторинга, а также анализ ошибок и поддержка системы.
Классическое машинное обучение (ML) фокусируется на построении и улучшении моделей. System Design (проектирование систем) — на создании инфраструктуры, которая обеспечивает их стабильную работу, масштабируемость, обновляемость и интеграцию в продукты в долгосрочной перспективе.
Эти навыки необходимы опытным ML-инженерам для роста, руководителям технических команд для принятия архитектурных решений, а также начинающим специалистам, чтобы с самого начала заложить фундамент для создания качественных и устойчивых ML систем.
Определение baseline (базового уровня производительности) — это отправная точка в любом ML-проекте. Оно помогает реалистично оценивать прогресс, обосновывать сложность решений и измерять реальную добавленную стоимость новой ML системы.