Machine Learning Engineer / Data Scientist

Профессия для тех, кто хочет строить модели машинного обучения, анализировать данные и доводить ML-решения до практического результата.

  • 12 курсов
  • 220 часов
  • 19 skill-блоков

Этот трек ведёт студента от анализа данных и статистики к основам machine learning, оценке моделей, feature engineering и базовым MLOps-концепциям. Внутри профессии студент учится работать с NumPy, Pandas и Scikit-Learn, строить end-to-end ML pipeline и презентовать ML-проект как часть профессионального портфолио. Профессия подходит тем, кто хочет идти в сторону AI/ML и готов к более длинному и интеллектуально плотному треку.

Из чего состоит трек?

Курсы, которые входят в учебный трек этой профессии.

Python: продвинутый уровень и ООП PRO-курс

23 урока

Продвинутый курс по Python: итераторы и генераторы, контекстные менеджеры, продвинутая работа с функциями, ООП, наследование, протоколы и dataclasses.

NumPy и Pandas

12 уроков

Практический курс по NumPy и Pandas: массивы, DataFrame, фильтрация, агрегации и базовая предобработка данных.

Статистика и теория вероятностей для ML

10 уроков

Прикладной курс по математическим основам ML: вероятностные модели, распределения, гипотезы, байесовский подход и роль статистики в обучении и оценке моделей.

Линейная алгебра для ML

8 уроков

Прикладной курс по линейной алгебре для ML: векторы, матрицы, линейные модели, регрессия и снижение размерности через PCA/SVD.

Основы машинного обучения

10 уроков

Вводный курс по ML: типы задач и алгоритмов, переобучение, кросс-валидация, метрики качества и базовый pipeline обучения модели.

Scikit-learn и Feature Engineering

10 уроков

Практический курс по Scikit-learn: обучение моделей, подготовка данных, кодирование признаков, масштабирование и конструирование фичей для табличных задач.

Оценка и тюнинг моделей

8 уроков

Курс по оценке и оптимизации ML-моделей: выбор метрик, кросс-валидация, подбор гиперпараметров (GridSearch/RandomSearch) и интерпретация результатов экспериментов.

Deep Learning и PyTorch

10 уроков

Курс по глубокому обучению: нейронные сети, PyTorch (тензоры, autograd, nn.Module) и обучение моделей на реальных датасетах.

Проект: ML-модель от EDA до отчёта

10 уроков

Сквозной ML-проект: исследование и подготовка данных, обучение и валидация модели, интерпретация результатов и отчёт.

Деплой ML-моделей

10 уроков

Курс по production-деплою ML-моделей: FastAPI inference API, контейнеризация в Docker и мониторинг предсказаний.

MLOps: основы

10 уроков

Курс по MLOps-практикам: процессы, трекинг экспериментов, реестр моделей, версионирование данных и CI/CD для ML-проектов.

Skill-блоки этого трека

Skill-блоки — это навыки владения конкретными техническими инструментами: библиотеками, фреймворками, языками. Для овладения профессией зачастую требуется знание сразу нескольких технологий. Ниже — скиллы, которыми ты овладеешь, проходя трек профессии на TeoBrain.

Python OOP Core Python OOP Core Practice NumPy Basics Pandas Data Analysis Probability & Statistics for ML Linear Algebra for ML ML Fundamentals Scikit-learn Basics Scikit-learn Practice Feature Engineering Model Evaluation & Tuning Deep Learning Basics Deep Learning with PyTorch Deep Learning Practice ML Mini Project ML Model Deployment Basics MLOps Basics ML / Data Science Interview Pack ML / Data Science Career Preparation