By JoinWay Learn
AI-инженер: от идеи до продакшена — полный курс для создания собственного AI-продукта
20 lessons313 min
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.
What you'll learn
Module 1
Модуль 1. Фундамент AI-инженерии: Python, математика и data pipeline
- 11.1. Python для AI: продвинутые приёмы и эффективный код
- 21.2. NumPy и Pandas: работа с данными на профессиональном уровне
- 31.3. Feature Engineering: превращаем сырые данные в ценные признаки
- 41.4. Введение в Scikit-learn: от линейной регрессии до ансамблей
Module 2
Модуль 2. Глубокое обучение: архитектуры, обучение и практика
- 12.1. PyTorch с нуля: тензоры, автоград и тренировочный цикл
- 22.2. Свёрточные нейросети (CNN): архитектуры и transfer learning
- 32.3. Рекуррентные сети (RNN, LSTM, GRU) и работа с последовательностями
- 42.4. Трансформеры и механизм внимания: от теории до Hugging Face
- 52.5. Компьютерное зрение: детекция, сегментация и генеративные модели
- 62.6. Обработка естественного языка (NLP): от токенизации до LLM
Module 3
Модуль 3. Продвинутые техники: обучение с подкреплением, интерпретируемость и оптимизация
- 13.1. Обучение с подкреплением (RL): основы и практические алгоритмы
- 23.2. Интерпретируемость и объяснимость моделей (XAI)
- 33.3. Оптимизация и сжатие моделей: квантизация, прунинг, дистилляция
Module 4
Модуль 4. MLOps: инфраструктура, пайплайны и развёртывание
- 14.1. Docker и контейнеризация ML-моделей
- 24.2. Kubernetes для ML: оркестрация и масштабирование
- 34.3. MLflow и Kubeflow: версионирование, эксперименты и пайплайны
- 44.4. Развёртывание моделей: FastAPI, Flask, ONNX Runtime и Triton
- 54.5. CI/CD для ML: автоматизация тестирования и деплоя
Module 5
Модуль 5. Распределённые вычисления и большие данные
- 15.1. Apache Spark и Ray: распределённая обработка данных и обучение
- 25.2. Работа с неструктурированными данными в масштабе
Module 6