Практико-ориентированность
Data Science как инструмент для продуктов и бизнеса, а не теория ради теории. Каждая тема заканчивается работающим кодом и понятной бизнес-метрикой.
- Product mindset
- Business impact
Набор открыт · До 20 студентов в потоке · Живые занятия
Машинное обучение
и Data Science
Учим применять Data Science как инструмент для бизнеса и продуктов — а не просто изучать алгоритмы в Jupyter Notebook.
Ограниченная группа: уделяем внимание каждому коду на код-ревью
≈ 3,5–4 месяца
интенсивного обучения
Junior+ / Middle−
ориентировочный грейд на выходе
7 проектов
в продакшн-портфолио
Живые онлайн-занятия
+ персональное менторство
module_05_mlops / deploy.py
from mlops import InferenceServiceservice = InferenceService( model="recsys-transformer", runtime="triton", gpu=True,)# 7 проектов · от EDA до сервиса в проде- Python
- NumPy
- pandas
- scikit-learn
- CatBoost
- XGBoost
- UMAP
- PyTorch
- PyTorch Lightning
- Transformers
- BERT
- DDP
- Docker
- FastAPI
- ONNX
- NVIDIA Triton
- PySpark
- Airflow
- Kubernetes
- Python
- NumPy
- pandas
- scikit-learn
- CatBoost
- XGBoost
- UMAP
- PyTorch
- PyTorch Lightning
- Transformers
- BERT
- DDP
- Docker
- FastAPI
- ONNX
- NVIDIA Triton
- PySpark
- Airflow
- Kubernetes
Что вы получаете
Преимущества курса и формат обучения
Концентрированный буткемп с живыми занятиями, менторской поддержкой и настоящим код-ревью — без воды и без «посмотрите видео сами».
Формат буткемпа за 3,5–4 месяца
Концентрированная, структурированная программа без воды: 30 занятий, 6 модулей, чёткий недельный ритм.
- 6 модулей
- 30 занятий
Преподаватели-практики
Senior-специалисты из T-Bank и Wildberries (ex-Sber AI Lab), которые каждый день катят модели в прод.
- T-Bank
- Wildberries
- ex-Sber AI Lab
Сложные темы «на вырост»
MLOps, Triton Inference Server, Kubernetes, RecSys, распределённое обучение (DDP) — то, что выделяет сильного специалиста среди джунов.
- MLOps
- Triton
- K8s
- DDP
- RecSys
Подготовка к собеседованиям
Разбор типовых задач с реальных секций интервью и ML System Design — от постановки метрики до архитектуры сервиса.
- Live-coding
- ML System Design
Контроль качества знаний
Авто-тесты + ручное код-ревью от преподавателей и кросс-ревью между студентами — как в настоящей команде.
- Auto-tests
- Code review
- Cross-review
6модулей программы
30живых онлайн-занятий
до 20студентов в потоке
Кто ведёт курс
Преподаватели-практики, которые катят модели в прод
Не методисты и не «эксперты по курсам»: senior-специалисты из T-Bank и Wildberries, каждый день решающие задачи того масштаба, который разбираем на занятиях.
АК
Артём Костяев
ML-инженер·T-Bank
T-Bank
Команда AI/ML-driven кодингового ассистента
- Fine-tuning LLM
- RAG-системы
- Оптимизация инференса: Triton, TensorRT
- ML-сервисы в Kubernetes
АМ
Андрей Матяшов
Data Scientist·Wildberries&Russ
Wildberries&Russ
ex-Sber AI Lab
Команда персональных рекомендаций Wildberries
- Продакшн трансформерных и генеративных RecSys
- Модель-генератор кандидатов на главной WB
- Эмбеддинги и ранжирование под нагрузкой
- Ранее — Data Scientist в Sber AI Lab
Программа
Шесть модулей — от математики до продакшена
30 живых занятий, выстроенных в одну линию: каждый модуль опирается на предыдущий и заканчивается проектом, который остаётся в вашем портфолио.
Программа модуля
- Линейная алгебра: векторы, матрицы, операции
- Матанализ: производные и градиенты
- Теория вероятностей и статистика
- Задания и кейсы уровня технических собеседований
Реальные кейсы из индустрии
Разбираем системы, которые работают на миллионы
Не игрушечные датасеты: на занятиях мы разбираем архитектуру и инженерные решения из российского бигтеха — и повторяем ключевые части в проектах.
Ozon
Россия
Модули 03 и 05
Рекомендательная система маркетплейса
- пользователей ежедневно
- десятки млн
- товаров в каталоге
- сотни млн
- time-to-market подборок
- 30 ч → мин
пользователей ежедневно
товаров в каталоге
time-to-market подборок
Задача
Для каждого из десятков млн пользователей найти лучшие товары из каталога в сотни млн позиций — и обновлять подборки почти в реальном времени.
Решение
Переход от приближённого поиска соседей (ANN/HNSW) к точному kNN на GPU, ранжирование CatBoost, эмбеддинги ALS и нейросетей; пайплайн PySpark + PyTorch и онлайн-сервис на NVIDIA Triton с кешем эмбеддингов в GPU.
Эффект
Точный kNN вернул товары из «длинного хвоста», A/B-тест показал рост покупок на пользователя и рекламной выручки, time-to-market свежих подборок сократился с ~30 часов до минут.
- GPU kNN
- CatBoost
- ALS
- PySpark
- Triton
- CUDA top-K
Источник: Инженерный блог Ozon Tech (Habr)
Московское метро
Россия
Модуль 04
Face Pay — оплата проезда по лицу
- проходов по биометрии
- 200 млн+
- активных пользователей
- ~800 тыс.
- удовлетворённость сервисом
- 88%
проходов по биометрии
активных пользователей
удовлетворённость сервисом
Задача
Пропускать пассажира через турникет без карты и телефона — по лицу, за доли секунды и надёжно.
Решение
Нейросети компьютерного зрения для распознавания лиц (партнёр VisionLabs — топ-3 в мире по тестам NIST), биометрия на всех турникетах сети.
Эффект
Сервис расширили на МЦК, аэроэкспресс и речной транспорт; по опросам 88% пользователей предпочитают его другим способам оплаты.
- Face Recognition
- CNN
- Edge inference
- Биометрия
Источник: Дептранс Москвы, VisionLabs, публикации СМИ
Практика
7 готовых проектов в ваше портфолио
Каждый проект — строчка в резюме и готовый ответ на собеседовании: от разведочного анализа данных до сервиса инференса, работающего в контейнере.
Модуль 02
EDA с кросс-ревью
Разведочный анализ реальных данных: пропуски, выбросы, гипотезы, отбор признаков — с ревью от других студентов.
Стек проекта
- pandas
- NumPy
- matplotlib
Проект уходит к вам в GitHub с ревью преподавателя
7 проектов = готовое портфолио
От анализа данных до сервиса в продакшене — с кодом, метриками и README.
Бонус-модуль · трудоустройство
Карьерный трек: от резюме до оффера
Чтобы быть востребованным специалистом, а не просто доучиться: помогаем упаковать опыт, тренируем интервью и разбираем стратегию поиска работы.
- 01
Аудит резюме
Собираем сильное резюме ML-специалиста вокруг ваших 7 проектов из портфолио.
- Упаковка проектов в измеримый результат
- Формулировки под ATS и под живого рекрутера
- Разбор рынка DS/ML в РФ и за рубежом
- 02
Тренировка Live-coding и ML System Design
Разбираем типовые задачи с реальных секций собеседований и учимся проектировать системы вслух.
- Алгоритмические и ML-задачи с интервью
- ML System Design: от метрики до архитектуры
- Мок-интервью с преподавателями (опционально)
- 03
Выход на оффер
Стратегия поиска, приоритизация вакансий и поддержка на финальных этапах отбора.
- План поиска работы и воронка откликов
- Советы по грейдам и переговорам
- Обратная связь после каждого интервью
Присоединяйтесь к потоку
Готовы превратить алгоритмы в реальные продукты?
- Практика на реальных кейсах из российского бигтеха
- Senior-наставники из T-Bank и Wildberries (ex-Sber AI Lab)
- Малая группа до 20 человек — время найдётся на каждого
- 7 проектов в портфолио и подготовка к собеседованиям
Поток ограничен: до 20 студентов · живые занятия · менторская поддержка
Написать куратору в Telegram
Отсканируйте QR-код или перейдите по ссылке — ответим на вопросы по программе и оплате.
Забронировать участие
Оставьте контакты — куратор свяжется с вами, расскажет про даты старта и поможет выбрать формат обучения.
FAQ
Частые вопросы до старта
Если не нашли ответ — напишите куратору в Telegram, отвечаем в течение рабочего дня.
Остались вопросы?
Куратор курса поможет разобраться с программой и форматом.