ML System Design
Ваши результаты после курса: Научитесь проектировать и внедрять ML-системы, устойчивые к нагрузке и ошибкам.
Для кого этот курс
ML-инженеры
Систематизируешь опыт, научишься проектировать ML-решения под реальные нагрузки и повысишь свой инженерный уровень.
Тимлиды и руководители команд
Сможешь оценивать архитектуру ML-систем, понимать последствия технических решений и уверенно вести команду.
Начинающие
ML-специалисты
ML-специалисты
Разберёшься, как устроены ML-системы на практике, и избежишь типичных ошибок в первых проектах.
Математика
для машинного обучения
для машинного обучения
Для кого этот курс
НОВИЧКИ В ML
Дата старта курса:
10 апреля 2026 — 2 поток
Ваши результаты после курса: Научитесь не просто разбираться
в формулах, а понимать математику, на которой строится ИИ.
в формулах, а понимать математику, на которой строится ИИ.
Разберёшься в базовой математике: функции, производные, вероятности — и подготовишься к старту в машинном обучении
АНАЛИТИКИ
Поймёшь статистику, распределения и вероятность — и начнёшь осознанно работать с ML-моделями
РАЗРАБОТЧИКИ
Освоишь градиенты, оптимизацию
и линейную алгебру — и глубже разберёшься в алгоритмах машинного обучения
и линейную алгебру — и глубже разберёшься в алгоритмах машинного обучения
после прохождения курса
01
Что получат клиенты?
Математический анализ
Разберетесь в функциях и производных, поймёте их геометрический смысл и научитесь исследовать функции. Освоите экстремумы и градиенты — базу, на которой строятся алгоритмы машинного обучения
02
Линейная алгебра
Научитесь работать с матрицами и детерминантами, поймете их роль в ML и сможете применять линейную алгебру для решения практических задач
Теория вероятностей
Поймете, как работают вероятности и распределения, разберетесь со случайными величинами и ключевыми теоремами — основой для анализа данных и построения моделей
03
длительность: 12 недель
Формат курса
Занятия:
Живые вебинары раз в неделю — разбор темы с экспертом в группе
Нагрузка:
~1,5 часа вебинаров + ~1 час практики в неделю
Практика:
Домашние задания с проверкой эксперта на платформе Getcourse
Дополни-тельно:
Челленджи и балльная система, чтобы не выпадать из обучения
Программа курса
Отображения/функции/примеры/логарифмическая функция
Производная, её геометрический смысл, правила дифференцирования
Исследование функций
с помощью производной, экстремумы, графики
с помощью производной, экстремумы, графики
Функции двух переменных. Частные производные. Градиент
Экстремумы ФМП: обычные и условные
Матрицы, операции с ними, детерминанты матриц
Скалярное произведение, уравнение плоскости
Классическая вероятность, условная вероятность
Дискретные случайные величины, их характеристики
Непрерывные распределения, ЦПТ
Дополнительные материалы от эксперта
Вебинар от Виктора Кантора «Как математика используется в ML?»
длительность: 12 недель
Преподаватель
Валерий Бабушкин
Эксперт по машинному обучению
Senior директор по Data & AI в BP
Грандмастер Kaggle
Автор книги Machine Learning System Design
Валерий руководил ML-направлениями в Alibaba Россия и Blockchain.com, строил аналитику в X5 Retail Group и работал в крупнейших технологических компаниях. На курсе он делится своим опытом и показывает, как проектировать ML-системы, которые реально работают.
Вашу квалификацию подтвердит официальный документ
Мы обучаем по государственной лицензии на осуществление образовательной деятельности № Л035-01298-77/01457433
Вы получите удостоверение о повышении квалификации установленного образца, которое можно добавить к резюме и показать при устройстве на работу.
Вы получите удостоверение о повышении квалификации установленного образца, которое можно добавить к резюме и показать при устройстве на работу.
ОСТАЛИСЬ ВОПРОСЫ?
Заполните форму, мы свяжемся с Вами, ответим на все Ваши вопросы и подробнее расскажем о курсе
Программа модуля 2:
Алгоритмы машинного обучения
Линейные модели - лекции:
Линейные модели - семинары:
Деревья и ансамбли - лекции:
Деревья и ансамбли - семинары:
Простые методы машинного обучения:
Знакомство с нейросетями - лекции:
Введение в нейронные сети - семинары:
Оценка качества моделей
Метрики - лекции:
Метрики классификации - семинары:
Метрики регрессии - семинары:
Валидация - семинары:
A/B-тестирование - лекции:
A/B-тестирование - семинары:
Линейные модели - лекции:
- Введение: о чем модуль
- Линейная классификация
- Обучение линейных моделей
- Борьба с переобучением: регуляризация
- Линейные модели в задаче регрессии
- Доп. видео 1: Метод опорных векторов (SVM)
- Доп. видео 2: Ядра в SVM (Kernel trick)
- Доп. видео 3: Двойственная задача в SVM
Линейные модели - семинары:
- Шпаргалка по метрикам
- Линейные модели -- 5 строк кода и вы DS
- SGD для линейной регресии
- SGD для классификации
- Зачем модифицировать loss? Huber regression
- Регуляризация линейных моделей
- SVM
- Итого, преимущества линейных моделей
- Пример линейной модели на текстовой задаче
- Статистические тесты
- Предпосылки линейной регрессии
- Пропуски в фичах
- Выбросы и модификация таргета
- Робастые регрессии
- Тест по блоку и задание
Деревья и ансамбли - лекции:
- Решающие деревья и ансамбли
- Бэггинг над деревьями и случайный лес
- Градиентный бустинг
Деревья и ансамбли - семинары:
- Решающее дерево
- Устойчивость решающего дерева
- Бэггинг над решающими деревьями
- Бустинг над решающими деревьями
- Бустинг vs RandomForest
- Bias-variance trade off на практике
- Тест по блоку и задание
Простые методы машинного обучения:
- Метод k ближайших соседей (kNN)
- Наивный байесовский классификатор
- Знакомство с обучением без учителя (unsupervised learning)
- Задача кластеризации
- Метод K средних (K-means)
- Иерархическая кластеризация
- Понижение размерности пространства признаков
Знакомство с нейросетями - лекции:
- Что такое нейронные сети
- Обучение нейросетей с помощью SGD
- Математическое дополнение: граф вычислений и автоматическое дифференцирование
- Обучение нейросетей: backpropagation
- Проблемы обучения нейросетей
Введение в нейронные сети - семинары:
- Подготовка блоков и однослойная сеть
- Двухслойная сеть
- Pytorch для простой сети и выбор оптимизатора
- Тест по блоку и задание
Оценка качества моделей
Метрики - лекции:
- Вступление
- Классификация
- Регрессия
- Пример подбора метрики
- Валидация моделей
- Переход в онлайн
- Тест по блоку
Метрики классификации - семинары:
- Основные метрики
- Кривые качества
- Log loss
Метрики регрессии - семинары:
- Основные метрики
- Свойства оптимизации
- Усложненные версии оптимизации
- Задание
Валидация - семинары:
- Переобучение
- Подбор гиперпараметров
A/B-тестирование - лекции:
- Вступление
- Математический аппарат и основы
- Примеры критериев
- Реалии A/B-тестирования
- Бакетное сэмплирование
- Тест по блоку
A/B-тестирование - семинары:
- Вступление
- ЦПТ
- Scipy
- Pvalue
- Сим тесты
- Бакетное сэмплирование
- Задание
Максим Шаланкин
- ML Team Lead в финтех‑команде Big Data MWS (МТС), строит продовые ML‑сервисы и развивает практико‑ориентированное обучение по ML и AI‑агентам
- Преподаёт машинное обучение и AI‑агентов в НИУ ВШЭ и Школе аналитиков данных МТС, разрабатывает практические курсы для Data Science‑специалистов
- Победитель премии RuCode в номинации «ИИ инноватор» за эффективное внедрение технологий искусственного интеллекта в образовательный процесс
- Фокус экспертизы: production‑контур ML (архитектура, деплой, мониторинг, инциденты, итеративное улучшение), ML‑сервисы в высоконагруженной среде, рекомендательные/скоринговые подходы, data quality/anti‑drift практики, AI‑агенты и интеграции “модель+инструменты”, тимлидство в ML‑разработке
