Этот сайт использует cookies. Продолжая, вы даёте согласие на их обработку. Политика использования.
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 >>
В этом поможет ML System Design:
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 ML System Design — от архитектуры до интеграции и поддержки
> Это новая дисциплина, необходимая для инженеров, аналитиков и всех, кто создает интеллектуальные продукты
> Помогает разрабатывать надежные и устойчивые ML-решения, которые работают не только в тестах, но и в продакшене
> Научит вас лучше разбираться в моделях и проектировать вокруг них полноценную систему
> Помогает разрабатывать надежные и устойчивые ML-решения, которые работают не только в тестах, но и в продакшене
> 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
ML-инженерам
Заложите фундамент для успешной карьеры в машинном обучении. Получите рекомендации, которые пригодятся уже в первом проекте
Начинающим специалистам в ML
чему вы научитесь
Улучшите навыки анализа ошибок, обучения пайплайнов, работы с фичами и тестирования модели для оценки ее 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 //
Определение проблемы и постановка задачи
- Пространства проблем и решений
- Поиск проблемы
- Упрощение решений через ML
- Риски, ограничения, возможные последствия
- Цена ошибки
- Проблемы как источник вдохновения
- Разработка vs покупка: open-source vs проприетарные технологии
- Декомпозиция проблемы
- Выбор уровня инноваций
Генерация фич и признаков
- Основы генерации фич и признаков
- Анализ значимости фич
- Отбор признаков
- «Магазин» фич
- Оценка результатов
- A/B-тестирование
- Формирование отчетов
Дизайн-документ: основы
- Цели и «антицели»
- Структура дизайн-документа
- Дизайн-документ — это живой организм
- Функции потерь
- Метрики качества
Интеграция
- API-дизайн
- Цикл релиза
- Переопределение решений модели и fallback-стратегии
- Важность мониторинга
- Качество и целостность данных
- Метрики отслеживания проблем
- Источники данных
- Подготовка датасетов
- Данные и метаданные
- Необходимый объем данных
- Проблема холодного старта
- Характеристики устойчивого пайплайна данных
Мониторинг и надежность: часть 2
- Дата-дрифт
- Концепт-дрифт
- Сервинг и инференс: соревнования, компромиссы и паттерны
- Инструменты и фреймворки
- Бессерверные вычисления
- Оптимизация пайплайнов инференса
Ревью дизайн-документов
Ownership и поддержка
- Ответственность и роли в команде
- Bus factor
- Комплексность и документация
- Как создать свой дизайн-документ
- Написание первых версий
Схемы валидаций
- Достоверная оценка
- Стандартные схемы
- Нетривиальные схемы
- Процедура обновления моделей
- Что такое Baseline
- Константные бейзлайны
- Model-based и feature-based бейзлайны
- Бейзлайны в Deep Learning
Дизайн-документ
Публикация дизайн-документа
Публикация дизайн-документа
- Финализация и шлифовка
- Презентация дизайн-документа
Анализ ошибок
- Кривая обучаемости — аналитика
- Переобучение и недообучение
- Исходные бейзлайны
- Анализ остатков
- Поиск закономерностей в остаточных значениях
- Как устроен тренировочный пайплайн
- Необходимые инструменты и платформы
- Масштабируемость и конфигурируемость тренировочных пайплайнов
- Тестирование
Презентация дизайн-документа
Определение проблемы и постановка задачи
- Пространства проблем и решений
- Поиск проблемы
- Упрощение решений через ML
- Риски, ограничения, возможные последствия
- Цена ошибки
- Проблемы как источник вдохновения
- Разработка vs покупка: open-source vs проприетарные технологии
- Декомпозиция проблемы
- Выбор уровня инноваций
Дизайн-документ: основы
- Цели и «антицели»
- Структура дизайн-документа
- Дизайн-документ — это живой организм
- Функции потерь
- Метрики качества
- Источники данных
- Подготовка датасетов
- Данные и метаданные
- Необходимый объем данных
- Проблема холодного старта
- Характеристики устойчивого пайплайна данных
Ревью дизайн-документов
Схемы валидаций
- Достоверная оценка
- Стандартные схемы
- Нетривиальные схемы
- Процедура обновления моделей
- Что такое Baseline
- Константные бейзлайны
- Model-based и feature-based бейзлайны
- Бейзлайны в Deep Learning
Анализ ошибок
- Кривая обучаемости — аналитика
- Переобучение и недообучение
- Исходные бейзлайны
- Анализ остатков
- Поиск закономерностей в остаточных значениях
- Как устроен тренировочный пайплайн
- Необходимые инструменты и платформы
- Масштабируемость и конфигурируемость тренировочных пайплайнов
- Тестирование
Генерация фич и признаков
- Основы генерации фич и признаков
- Анализ значимости фич
- Отбор признаков
- «Магазин» фич
- Оценка результатов
- A/B-тестирование
- Формирование отчетов
Интеграция
- API-дизайн
- Цикл релиза
- Переопределение решений модели и fallback-стратегии
- Важность мониторинга
- Качество и целостность данных
- Метрики отслеживания проблем
Мониторинг и надежность: часть 2
- Дата-дрифт
- Концепт-дрифт
- Сервинг и инференс: соревнования, компромиссы и паттерны
- Инструменты и фреймворки
- Бессерверные вычисления
- Оптимизация пайплайнов инференса
Ownership и поддержка
- Ответственность и роли в команде
- Bus factor
- Комплексность и документация
- Как создать свой дизайн-документ
- Написание первых версий
Дизайн-документ
Публикация дизайн-документа
Публикация дизайн-документа
- Финализация и шлифовка
- Презентация дизайн-документа
Презентация дизайн-документа
стоимость обучения >>
ml design
> Обсудите истории успехов и неудач при запуске
ML-продуктов
ML-продуктов
> Разберете два примера дизайн-документов с реальными сценариями
> Получите рекомендации, которые помогут применить знания в деле
> Получите рекомендации, которые помогут применить знания в деле
> Пройдете 60 уроков по проектированию, обучению, развертыванию и поддержке ML-систем
> Закрепите знания на интерактивных занятиях
> Закрепите знания на интерактивных занятиях
138 500 ₽
ОДНИМ ПЛАТЕЖОМ:
В РАССРОЧКУ ОТ:
при рассрочке на 24 месяца
8 100 ₽ / мес.
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
FAQ >>
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 Machine Learning, 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 беспроцентную 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.
Обучение длится 13 недель и включает видеоуроки, интерактивные онлайн-встречи с преподавателем 2 раза в неделю (по выходным), а также практическую работу над созданием дизайн-документа.
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.
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 освоите полный цикл работы над ML-системой: от постановки задачи и выбора baseline до проектирования пайплайнов данных, интеграции, мониторинга и поддержки работающего решения.
Владение ML System Design — ключевой навык для перехода на позиции Senior ML-инженера, архитектора или руководителя. Курс структурирует ваш опыт и дает системный подход к решению сложных задач.
Вы сможете уверенно претендовать на роли, требующие глубокого понимания жизненного цикла ML-продуктов: ML-инженер (Middle/Senior), инженер по машинному обучению, архитектор ML систем или специалист по MLOps.
Курс фокусируется на углублении профессиональных хард скилов. 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 AI-продукта.
Ключевые этапы: постановка задачи и выбор baseline, проектирование пайплайна данных и генерация признаков, создание тренировочного пайплайна, интеграция и API-дизайн, настройка мониторинга, а также анализ ошибок и поддержка системы.
Классическое ML фокусируется на построении и улучшении моделей. System Design — 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.