О курсеПрограммаКоманда курсаСтоимость
КомпаниямНачать учиться бесплатно
Что даст этот курс
Он для специалистов в области Machine Learning и Data Science, которые хотят сделать продакшн ML‑моделей более быстрым и безопасным, инфраструктуру — настраиваемой и стабильной, а взаимодействие команд — слаженным и эффективным.

Вы освоите принципы MLOps, которые помогут решить эти задачи и перейти на новый профессиональный уровень. Мы не обещаем, что будет легко, но поддержим и поможем на этом пути.
Освоите стек технологий, который соответствует современным требованиям MLOps

Python
Git
Docker
Docker Compose
FastAPI
MLflow
ClearML
Mage
Yandex Cloud
ClickHouse
Superset
Evidently
Terraform
Great Expectations
Программа курса
Рассчитана на 5 месяцев. Нагрузка — от 15 часов в неделю.
2 часа
Бесплатно
Деплой модели на FastAPI в Yandex Cloud
1 модуль — бесплатно, чтобы вы познакомились с платформой и определились, подходит ли вам курс
  • Python
  • FastAPI
  • Yandex Cloud
От Jupyter Notebook к рабочему сервису
Освоите процесс превращения модели из исследовательского кода в полноценный веб‑сервис, доступный пользователям
Введение в FastAPI
Познакомитесь с FastAPI — современным и удобным Python‑фреймворком для создания веб‑сервисов, в том числе и с ML
Прототипирование сервиса для ML‑модели
Сделаете прототип сервиса и протестируете его локально, используя FastAP
Развёртывание сервиса в Yandex Cloud
Развернёте сервис с ML‑моделью в облаке — ваша первая «боевая» модель
Ограничения текущего подхода
Получите понимание реальных вызовов при развертывании моделей и подготовитесь к изучению продвинутых MLOps-практик
Знакомство с курсом
Поймёте, как организован курс и какие задачи вас ждут на курсе дальше
Научитесь деплоить ML‑модель в облаке, используя FastAPI
2
1 практическая работа
Введение в MLOps
Рассмотрите фреймворк по оценке зрелости проекта для MLOps‑практик и познакомитесь с основными используемыми инструментами.
  • Python
  • Git
  • FastAPI
  • MLflow
  • ClearML
  • Docker
  • Docker Compose
  • Yandex Cloud
Обзор жизненного цикла разработки ML‑модели и роль MLOps
Узнаете основные этапы обучения моделей, что такое полный MLOps‑цикл и как работают основные стейкхолдеры (DS, MLE). Научитесь оценивать зрелость ML‑проекта при помощи фреймворка MLOps‑зрелости.
Ключевые функциональные компоненты MLOps и процессы
Освоите функциональные MLOps‑компоненты и процессы, а также научитесь выбирать набор инструментов для их реализации на основе критериев проекта.
MLOps‑архитектура
Научитесь оценивать проект, предлагать архитектуру и составлять техническое задание для построения инфраструктуры.
Интеграция MLOps‑практик в ML‑проекты
Поймёте, за что отвечают инструменты, которые вы будете использовать на курсе, и как они связаны между собой.
Попрактикуетесь в решении кейсов на оценку зрелости проекта и выбор MLOps‑архитектуры
3
1 практическая работа・2 недели
Практики разработки
Освежите знания цикла разработки ML‑моделей и познакомитесь с лучшими практиками general developer для code‑first‑инструментов, которые часто упускаются, что приводит к плохому качеству модели как инженерного продукта.
  • uv
  • Pylint/Ruff
  • mypy
  • PyTest
  • Docker
  • Docker Compose
Проблема зависимостей в ML‑проектах
Настроите локальное окружение и научитесь изолированно управлять зависимостями в проекте, так как разные проекты могут требовать разных версий Python и библиотек
Автоформатирование, линтеры и сode style
Определите слабые места ML‑пайплайнов, а также узнаете, какие практики, инструменты и библиотеки помогают их исправить
Тестирование кода
Сможете писать тесты для кода и ML‑моделей
Качественный код для ML‑пайплайнов
Узнаете, какие инструменты использовать, чтобы писать воспроизводимый и надёжный код
Настроите локальное окружение с необходимыми инструментами для разработки на Python
4
1 практическая работа・2 недели
Контейнеризация и облачное окружение
Настроите окружение на локальном компьютере и узнаете, как работать с облачными решениями для деплоя инфраструктуры.
  • Python
  • Docker
  • Docker Compose
  • Git
  • Yandex Cloud
Запуск локального приложения
Запустите приложение локально в Docker / Docker Compose и в Yandex Cloud
Настройка локального окружения
Настроите локальное окружение для разработки проектов и узнаете о cookie‑cutter‑подходе для организации структуры репозиториев
Настроите облачное окружение с необходимыми инструментами в Yandex Cloud
5
1 проект・2 недели
Отслеживание экспериментов, управление ML‑моделями и их хранение
Отслеживание экспериментов позволяет организовать работу DS/MLE для итерации моделей, а управление ML‑моделями позволяет хранить, регистрировать версии модели и выдвигать кандидатов для деплоймента в продакшн.
  • Python
  • MLflow
  • ClearML
Роль и задачи инструмента в MLOps: MLflow vs ClearML
Изучите концепции MLflow и ClearML: трекинг экспериментов, версионирование моделей, model registry, логирование метрик, регистрацию модели, model serving. Поймёте разницу между MLflow и ClearML, а также какой инструмент выбрать, исходя из оценки проекта. Научитесь заводить эксперименты, версионировать модель, логировать метрики, выдвигать кандидата на деплой, использовать model serving при помощи MLFlow или ClearML.
Настроите жизненный цикл ML‑модели в MLflow или ClearML на выбор в 3 сценариях
6
1 проект・2 недели
Качество и версионирование данных
Познакомитесь с такими функциональным компонентами, как качество и версионирование данных. Обработка данных обеспечивает качество как процесса создания версии ML‑модели, так и её работы в продакшне.
  • Pydantic
  • Great Expectations
  • ClearML
Модели Pydantic, обработка ошибок и создание валидаторов
Научитесь создавать модели и валидаторы для данных на входе в инструмент и на выходе, используя Pydantic
Ожидания в Great Expectations
Научитесь создавать ожидания для проверки данных, используя Great Expectations
Датасеты в ClearML Data
Создадите датасеты и версионирование в ClearML Data
Создадите модели для сырых источников и датасета с фичами на Pydantic. Выполните проверки в пайплайне ClearML, используя Great Expectations. Создадите версии датасета в ClearML
7
1 проект・2 недели
Оркестрация и ML‑пайплайны
Познакомитесь с оркестрацией ML‑пайплайнов, которая позволяет связывать действия из разных систем, окружений и языков программирования в единый процесс.
  • Python
  • ClearML
  • Mage
  • ClickHouse
Роль и задачи, основы и концепции оркестратора в MLOps
Изучите такие концепции оркестратора в MLOps, как pipeline, pipeline run, оператор, сенсор, hooks, проверка данных. Попробуете работать в UI‑оркестраторе локально и в облаке.
ML-пайплайны: обработка и проверка данных, обучение и переобучение
Будете создавать разные виды пайплайнов для ML‑модели в оркестраторе: такие, как подготовка данных, обучение и переобучение модели, batch inference модели. Обучите модель и засабмиттите её в model registy. Попробуете использовать модели из model registy в пайплайнах переобучения с помощью оркестратора. Сможете настроить мониторинг здоровья ML‑пайплайнов и алертинг.
Сбор и запись метрик качества модели
Соберёте метрики качества обученной модели и настроите синхронизацию в базе данных при помощи ClickHouse.
Построите 3 продакшн‑пайплайна при помощи ClearML или Mage
8
1 проект・2 недели
Развёртывание ML-моделей
Познакомитесь с деплоем модели и предоставлением предсказаний — это функциональные компоненты, которые показывают работу MLOps‑практик остальным коллегам в проекте, другим техническим командам и бизнесу.
  • Python
  • ClearML
  • Yandex Cloud
Роль и задачи деплоймента модели в MLOps
Поймёте, какой сценарий работы модели необходимо применить и как его реализовать
Batch
Научитесь использовать модель в batch‑сценарии, используя оркестратор
Online
Сможете задеплоить модель как REST API сервис, используя ClearML
Streaming
Задеплоите модель в streaming‑сценарии, используя продукты Yandex Cloud (YMQ и Serverless Containers)
Задеплоите модель как REST‑API‑сервис, используя ClearML, или сделаете интерактивное приложение, используя ClearML Streamlit Launcher
9
1 проект・2 недели
Мониторинг и обратная связь
Сконцентрируетесь на мониторинге ML‑моделей и поймёте, как узнать, что модель в продакшне стала работать хуже, из‑за чего  произошло и как реагировать в таких ситуациях.
  • Python
  • Superset
  • ClickHouse
  • Evidently
Введение в мониторинг ML‑моделей
Изучите концепции изменения поведения моделей: early detection, silent mode error, data drift, concept drift
Репорт метрик и дашборд в Evidently
Сделаете отчёты и выявите проблемы с работой модели при помощи Evidently
Superset как инструмент визуализации
Разработаете в Superset дашбодры для отслеживания технических, бизнес‑метрик и метрик качества ML‑модели
Интеграция проверок для запуска пайплайна
Интегрируете проверки модели из Evidently для запуска пайплайна и переобучения модели в оркестраторе
Добавите метрики качества модели в существующий дашборд и создадите аналогичный дашборд в Superset с источниками метрик в ClickHouse
10
1 проект・2 недели
CI/CD‑практики
CI/CD позволяют связывать компоненты между собой и автоматизировать те интеграции, которые вы построили до этого, чтобы инфраструктура и продакшн обновлялись с минимальным количеством ручных действий.
  • Git
  • GitHub Actions
  • Docker
  • Yandex Cloud
  • Terraform
Дополнение к general developer practices
Разработаете CI/CD‑сценарий, чтобы автоматизировать тестирование кода, проводить интеграционное тестирование streaming ML‑модели и создаваемой для неё облачной инфраструктуры, а также автоматизировать обновление облачной инфраструктуры, используя IaC (Terraform)
Допишете пайплайн CI/CD для тестирования кода и обновления инфраструктуры в Yandex Cloud, используя Terraform
Самостоятельно・3 недели
Итоговый проект
Реализуете полный MLOps-цикл для одного из 2 кейсов на выбор. Используете все пройденные методы и инструменты MLOps: обработку и качеcтво данных, версии модели в MLflow/ClearML, пайплайны обучения и переобучения, деплой модели в соответствующем сценарии, мониторинг метрик качества и CI/CD‑процесс, который связывает все этапы в единую систему.

Проект будет оцениваться по шкале баллов в зависимости от наличия выбранных компонентов и оформления репозитория.
Получите сертификат о переподготовке
Это официальный документ установленного образца, который принимают работодатели
Очень много практики
Потренируетесь на 7 проектах
Научитесь строить продакшн‑слой для ML‑моделей, управлять версиями данных, настраивать автоматизацию через CI/CD, мониторить качество предсказаний и разрабатывать MLOps‑архитектуру, адаптированную под ваш проект.
Будете учиться в условиях, близких к реальным
На готовой инфраструктуре в облаке
У вас будут персональная база данных и S3‑хранилище, своя виртуальная машина для разработки, а также доступ к другим сторонним сервисам, которые запускаются по клику.
С фокусом на MLOps‑принципах, а не на инструментах
Научитесь понимать, какие задачи необходимо решать на каждом этапе вывода модели в продакшн и как обеспечить её корректную работу. Такой подход даст вам навыки, которые останутся актуальными, даже если технологический стек поменяется.
С обратной связью от опытных наставников
Программа поделена на спринты, за которые вы изучаете тему и делаете проект. Потом отправляете его на ревью, а эксперт проверяет и комментирует. И тот же цикл дальше, пока не дойдёте до конца.
YandexGPT помогает учиться
Когда в теории что-то непонятно, нейросеть объяснит это другими словами. А в конце каждого урока подготовит краткий пересказ о самом главном.
Этот курс может оплатить
ваш работодатель
Полностью или разделив оплату с вами,
например 50/50 или 75/25
  • Расскажем всё про курс
  • Сообщим стоимость
  • Ответим на ваши вопросы
  • Подготовим договор и счёт
Отвечаем на вопросы
Каким требованиям нужно соответствовать?
Курс рассчитан на специалистов, уже имеющих опыт работы с ML‑моделями и инфраструктурой.

Мы ожидаем, что у вас есть:
  • Опыт разработки на Python больше 1 года, включая ООП и написание веб‑сервисов на Flask, FastAPI или Django.
  • Опыт использования Python для решения задач ML.
  • Знание SQL на уровне аналитических запросов и записи в базы данных.
  • Понимание Git на уровне открытого и замердженного PR.
  • Опыт использования простых пайплайнов по обработке данных в оркестраторах общего применения Airflow или Prefect.
Также важно, чтобы у вас была возможность уделять учёбе 10–15 часов в неделю на протяжении 5 месяцев.
Кто будет меня учить?
Все наставники — специалисты в области машинного обучения из крупных компаний с большим опытом работы с инструментами MLOps.
Что делать, если я не справлюсь с нагрузкой?
В программе предусмотрены каникулы, во время которых можно отдохнуть или повторить сложные темы.

Если случилось непредвиденное или понадобилось больше времени на закрепление материала, напишите своему куратору. Он поможет перенести дедлайн сдачи проекта или перевестись в более поздний поток. На общую стоимость курса это не повлияет.
Если не понравится, я могу вернуть деньги?
Конечно. Если поток ещё не стартовал, вернём всю сумму. Если учёба уже началась, придётся оплатить прошедшие дни со старта вашего первого потока — но мы вернём деньги за остаток курса. Более подробно рассказываем об этом в 7 пункте оферты.
Получу ли я какой-то документ после курса?
Да, для этого нужно закончить курс и успешно выполнить итоговый проект. Тогда выдадим вам сертификат о переподготовке в электронном виде.

А если не получится, по запросу выдадим электронную справку об обучении — с перечнем модулей, которые вы освоили.
Вы поможете сменить или найти работу?
На этом курсе не предусмотрена помощь с трудоустройством, поскольку он для действующих специалистов, у которых уже есть навыки поиска работы.

Но если у вас появится вопрос о карьерном развитии, обратитесь в нашу службу поддержки — постараемся ответить.
Как можно оплатить?
Банковской картой: внести всю сумму сразу или платить ежемесячно.

Ежемесячные платежи работают так: вы вносите первую оплату, и в этот момент привязывается карта. С этой карты автоматически будут списываться следующие платежи каждые 30 календарных дней. Например, оплатили 25 марта — следующий платёж пройдёт 24 апреля. Обучение будет стоить меньше, если оплатить весь курс сразу.

Через компанию: юридические лица также могут оплатить обучение в Практикуме. Чтобы заказать счёт для оплаты, оставьте заявку на странице для корпоративных клиентов.
На каком языке проходит обучение?
Всё будет на русском: теория, практические задания и вебинары, а ещё чаты с куратором, наставником и другими студентами.

Давайте поможем

Мы работаем с 12:00 до 21:00 по Астане и связываемся в течение одного дня. Если оставите заявку сейчас, то перезвоним уже в рабочее время.