Главная ИТ-Академия Бесплатные программы обучения Искусственный интеллект. Алгоритмы машинного обучения на языке Python

Для ИТ-направлений

Идёт набор

Искусственный интеллект. Алгоритмы машинного обучения на языке Python

Проект «ИТ-кафедра»

Присваиваемая квалификация: Программист

Получите новую профессию в одном из ведущих вузов страны!

Программа одобрена экспертами ИТ-отрасли
Максимум практики и проекты от компаний-партнёров
Более 2000 человек уже прошли обучение

Старт программы

21 октября 2025

Длительность

262 часа / 9 месяцев

Стоимость

Бесплатно*

О профессии

Инженеры машинного обучения анализируют большие объёмы данных и создают на их основе алгоритмы машинного обучения. Благодаря работе этих специалистов автомобили Tesla едут на автопилоте, нейросети генерируют человеческую речь, музыкальные стриминги предлагают контент под ваши интересы, а программы находят патологии по медицинским снимкам.

Подробнее о профессии
ML-инженеры проектируют и внедряют алгоритмы, способные находить скрытые закономерности в огромных массивах данных, прогнозировать события, автоматически принимать решения и самостоятельно учиться в процессе. В 2022 году сеть Linkedin назвал профессию инженера машинного обучения в числе наиболее перспективных, и неудивительно:
- Объёмы данных растут с огромной скоростью, поэтому нужны специалисты, которые будут их обрабатывать.
- Искусственный интеллект проникает во все сферы нашей жизни, а управляют им ML-инженеры.
- Инженеры машинного обучения увеличивают выручку компаний, оптимизируют траты и помогают избежать финансовых потерь.
ML-инженер (Machine Learning) – многообещающая и развивающаяся, но вместе с тем очень сложная профессия, которая требует постоянного освоения новых подходов и технологий. Учитесь в ТУСУРе по программе, одобренной Минцифры и АНО «Цифровая экономика». После обучения мы поможем вам в поиске работы и начале карьеры профессионального инженера машинного обучения!
*Целевая аудитория
Бесплатное обучение для студентов ТУСУР ИТ-направлений. Отбор на конкурсной основе.

Условия для поступления:
- только для студентов ТУСУР, ранее не проходивших обучение на программах проекта "Цифровые кафедры";
- 2 курс и выше бакалавриата и специалитета ИТ-направлений;
- не более одного долга по основному направлению обучения на момент подачи заявки;
- заполненная заявка с мотивационным письмом. Заполняется через Яндекс.Форму
Выберем лучших на основании перечисленных выше критериев.

Бюджетных мест: 15

Контакты для уточнения информации:
(3822) 90-72-56
idat@tusur.ru
Доступно платное обучение для студентов любых вузов и направлений, а также лиц, уже имеющих высшее или среднее профессиональное образование
Содержание программы
Модуль 1. «Введение в машинное обучение»

Основные задачи и методы Machine Learning.

Базовые алгоритмы работы над ML-проектом

Форма контроля: тестирование
10 часов
Модуль 2. «Программное обеспечение для разработки нейронных сетей. Методы работы с данными»

Pandas базовые операции Series DataFrame индексация срезы merge join concat groupby agg;

Чистка данных пропуски типы дат и категорий дубликаты;

Быстрый EDA описательная статистика простые графики matplotlib;

Разбиение train valid test стратификация KFold StratifiedKFold TimeSeriesSplit;

Препроцессинг масштабирование Standard MinMax нормализация кодирование One-Hot Target биннинг;

Работа с выбросами;

Фичеринжиниринг полиномиальные и взаимодействия агрегаты по группам;

Пайплайны sklearn и подбор гиперпараметров GridSearchCV RandomizedSearchCV;

Форма контроля: практическое задание
20 часов
Модуль 3. «Регрессия»

Логистическая регрессия сигмоида log-loss пороги калибровка вероятностей;

Работа с дисбалансом классов class_weight oversampling undersampling;

Метрики регрессии и бинарной классификации интерпретация коэффициентов.

Форма контроля: практическое задание
18 часов
Модуль 4. «Кластеризация»

Несупервизорные методы KMeans иерархическая кластеризация DBSCAN MeanShift;

PCA объясненная дисперсия выбор компонент реконструкция;

Влияние масштабирования и метрики расстояния.

Форма контроля: практическое задание
14 часов
Модуль 5. «Tree-based алгоритмы»

Критерии разбиения gini entropy MSE управление сложностью max_depth min_samples переобучение;

Интерпретация важности признаков визуализация деревьев;

Работа с категориальными признаками и пропусками.

Форма контроля: практическое задание
20 часов
Модуль 6. «Методы ближайших соседей и градиентная оптимизация»

KNN выбор k метрики евклид манхэттен косинус масштабирование;

Градиентный спуск batch SGD mini-batch lr-scheduler momentum Adam;

Ландшафты функции потерь сходимость и переобучение при оптимизации.

Форма контроля: тестирование
12 часов
Модуль 7. «Ансамблирование»

Бэггинг и Random Forest бутстрап out-of-bag важности;

Бустинг Gradient Boosting XGBoost LightGBM CatBoost идеи и отличия;

Stacking и Blending риски протечек при стекинге;

Тюнинг кросс-валидация ранняя остановкаю.

Форма контроля: практическое задание
18 часов
Модуль 8. «Компьютерное зрение с глубоким обучением: от базовых CNN до детекции YOLO»

Базовые нейросети линейные слои активации backprop кросс-энтропия;

PyTorch и TF Keras Dataset DataLoader training loop callbacks;

CNN свертки пуллинг паддинг архитектуры LeNet AlexNet VGG ResNet EfficientNet;

Data augmentation transfer learning fine-tuning баланс классов;

Autoencoders bottle-neck регуляризация denoising;

GAN генератор и дискриминатор стабильность обучения идеи WGAN;

Обзор семейств YOLO и запуск на своем датасете.

Форма контроля: практическое задание
38 часов
Модуль 9. «Современное NLP и LLM: от эмбеддингов к трансформерам, RAG и промптам»

Предобработка токенизация лемматизация стемминг стоп-слова n-граммы;

Векторизация BoW TF-IDF word2vec fastText sentence-эмбеддинги SBERT;

Трансформер self-attention позиционные кодировки BERT и GPT;

RAG индекс эмбеддингов FAISS стратегии и dense разбиение текста окна контекста;

Инференс LLM temperature top-p max new tokens риски и фильтрация;

Prompt Engineering zero-shot few-shot роль системы структура запросов контроль стиля и вывода.

Форма контроля: практическое задание
42 часа
Модуль 10. «Базовые алгоритмы рекомендаций: SVD, KNN и их применение»

Метрики RMSE MAE Precision Recall at K MAP NDCG;

Матричная факторизация SVD и тюнинг;

User-based и Item-based KNN гибридные подходы холодный старт;

Практика Surprise и Implicit подготовка признаков оффлайн-валидация.

Форма контроля: практическое задание
24 часа

Модуль 11. «MLOps: версионирование кода, данных и моделей (Git/DVC) + трекинг экспериментов (MLflow, ClearML)»

Организация репозитория ветвления code review semantic commit messages pre-commit;

DVC трекинг данных и моделей remotes lock-файлы пайплайны dvc yaml;

MLflow и ClearML параметры метрики артефакты Model Registry воспроизводимость.

Форма контроля: практическое задание

18 часов
Модуль 12. «Знакомство с фреймворками для написания backend на python для использования ML»

REST сервисы схемы запросов и ответов Pydantic валидация обработка ошибок;

Инференс как эндпоинт загрузка модели препроцессинг и постпроцессинг в Pipeline;

Асинхронность в FastAPI логирование и метрики простая аутентификация;

Структура проекта упаковка версии API наблюдаемость.

Форма контроля: практическое задание

14 часов
Модуль 13. «RAG и Docker: усложнённые пайплайны и упаковка приложения»

Docker образы и контейнеры Dockerfile multi-stage build dockerignore;

Оптимизация размера и скорости переменные окружения volume;

docker compose локальная мультисервисная система веб API база данных векторное хранилище модель.

Форма контроля: практическое задание

14 часов
Итого: 262 часа
Формат обучения
За четыре года ИТ-Академия ТУСУР подготовила две с половиной тысячи IT-специалистов, и мы точно знаем, как сделать ваше обучение максимально эффективным.

Занятия ведут практикующие разработчики с большим стажем и приглашённые сотрудники компаний-партнёров – учитесь у профессионалов!

Пройти обучение можно полностью онлайн: все материалы и записи занятий будут доступны в вашем личном кабинете, а все наши мероприятия проходят в онлайн-эфире. Помимо этого у вас есть возможность лично встретиться с преподавтелями и представителями компаний, принять непосредственное участие в интенсивах, хакатонах и других активностях.

Вместе с вами курс пройдут лучшие студенты ТУСУРа: получайте свежий взгляд на свои идеи и находите партнёров для проектов, которые знают актуальные тренды и генерируют незаурядные решения. Энергия, амбиции и соревновательный дух студентов заразительны - это повысит вашу мотивацию и сделает учёбу ещё эффективнее.

Мы не растягиваем обучение на год, но и не пытаемся дать всю программу в сжатые сроки: вас ждут практические занятия один раз в две недели по 4 академических часа. Вы без труда сможете выполнять самостоятельные задания в удобное для вас время и совмещать освоение новых навыков с учёбой или работой.

Представители компаний-партнёров будут читать лекции, организовывать хакатоны и общаться с вами на мероприятиях. Это отличная возможность учиться у лучших экспертов-практиков из крупных IT-компаний, завязать полезные знакомства и попасть на стажировку. Выпускники ИТ-Академии работают в МТС, Т-Банк, ЦФТ, Газпром трансгаз Томск, Rubius, Prime Technology, «ТЕРНЕКС», «ЛЭМЗ-Т» и других компаниях.

С нами сотрудничают: ПАО «МТС», Т-Банк, Газпром Трансгаз, ЦФТ, Rubius, ООО «МТС Веб Сервисы», Prime Technology, ООО «ТЕРНЕКС», ООО «ЛЭМЗ-Т», Группа компаний «ЛАМА», Сбербанк, Winbd, 1БИТ 1С, ОйлТим, ТерраФарм, АО "Альфа-Банк", ООО "Гарант-Софт", ЗАО «БФТ».
Как вы будете учиться
- Теория на понятном языке от опытных разработчиков и приглашённых экспертов
  Только актуальные знания и навыки, которые действительно нужны в профессии.
- Практика после каждого модуля и промежуточная аттестация
  Отработаете теорию на реальных задачах, которые встречаются в работе разработчика.
- Хакатоны, мастер-классы и живые встречи с потенциальными работодателями.
  Обмен опытом, новые знакомства и контакты, возможность получить попасть на стажировку или получить оффер.
- Нетворкинг с компаниями-партнёрами ТУСУР
  Перенимайте опыт ведущих разработчиков и получить предложение о стажировке.
- Постоянный фидбэк от экспертов программы и общение с сотрудниками компаний-партнёров
  Получайте обратную связь по всем задачам и рекомендации по улучшению ваших личных проектов.
- Система онлайн-обучения, проверенная на тысячах выпускников
  Постоянный доступ к учебным материалам, чтобы вы всегда могли повторить теорию
- Непрерывная поддержка кураторов
  Наша «служба заботы» поможет в сложных ситуациях, напомнит о дедлайнах и повысит мотивацию.
- Работа в команде сокурсников
  Вы поймёте, как распределять задачи в групповом проекте, а при желании сможете примерить на себя роль тимлида.
- Проект для портфолио, который вы напишете с нуля
  Самые активные студенты смогут проявить себя, создав групповой проект в команде с сокурсниками на одном из хакатонов.

Диплом о профессиональной переподготовке

Окончив программу, вы получите диплом о профессиональной переподготовке в одном из ведущих вузов России. Информация о дипломе появится в Федеральном реестре документов об образовании и вашем личном кабинете на «Госуслугах».

Ваша новая квалификация: Программист

Кто учит?

Команда программы

Тикшаев Иван Денисович

Автор и преподаватель курса

генеральный директор ООО «Девинсайд»

Поздышев Владислав Викторович

Преподаватель курса

Программист Отдела разработки и искусственного интеллекта МЦА ТУСУР, младший научный сотрудник ЛООМИС каф.АОИ ТУСУР

Предполагаемый
ежемесячный заработок

40 000₽ — 60 000₽

Junior, первый год работы

150 000₽ — 300 000₽

Middle, 2-3 года работы

от 500 000₽

Senior, более 3 лет работы

Какие навыки я получу?

Выпускник будет уметь:

1
Понимать задачи и метрики ML
2
Готовить данные в Pandas: очистка, фичи, пропуски/выбросы
3
Корректно делить выборки; избегать data leakage
4
Проводить EDA и базовый статанализ
5
Строить линейную/логистическую регрессию с регуляризацией и градиентным спуском
6
Применять KNN, деревья решений и ансамбли
7
Выполнять кластеризацию и снижение размерности
8
Работать в sklearn: пайплайны, кросс-валидация, подбор гиперпараметров
9
Решать CV-задачи: аугментации, CNN, transfer learning (PyTorch, TF/Keras), а так же применять YOLO для детекции объектов
10
Использовать автоэнкодеры и GAN для сжатия, денойзинга и генерации
11
Делать NLP: предобработка текста, векторизация, базовая классификация
12
Понимать трансформеры (GPT/BERT) и использовать HF Transformers/SBERT
13
Создавать и оптимизировать LLM-системы и RAG; настраивать инференс
14
Проектировать и оценивать промпты (prompt engineering)
15
Строить рекомендательные системы (SVD/KNN) в Surprise и оценивать метрики
16
Версионировать код/данные (Git, DVC) и трекать эксперименты (MLflow/ClearML)
17
Создавать REST-сервисы на FastAPI
18
Проектировать прод-архитектуры ML
19
Контейнеризировать и запускать сервисы в Docker/docker-compose

Где я буду работать?

Сферы деятельности

1
Интернет вещей (системы «умный дом»)
2
Нейрокомпьютерные интерфейсы (взаимодействие человеческий мозг / машина)
3
Роботизированные транспортные средства
4
Виртуальная и дополненная реальность
5
Контейнеризировать и запускать сервисы в Docker/docker-compose
6
MLOps и суверенная инфраструктура
7
Промышленное компьютерное зрение (CV) и IoT
8
Медицинский ИИ и диагностика
9
Речь: ASR/TTS и голосовые ассистенты
10
Финтех и кибербезопасность (антифрод)

Отзывы о программе

ИТ-Академия оставила очень положительное впечатление. Всё было структурировано, логично и интересно — от подачи материала до обратной связи. Особенно круто, что предусмотрены стажировки — это даёт возможность применить знания на практике и почувствовать себя частью реальной ИТ-сферы. Взаимодействие с преподавателями организовано удобно: всегда можно задать вопрос, получить помощь и поддержку. Особенно комфортноэто делать в прямом эфире во время лекций — преподаватели подробно объясняют материал и проговаривают домашние задания.

Понравилась практическая направленность курса, большое количество полезных кейсов и возможность применять знания в реальных задачах. Возможно, стоило бы добавить больше примеров с реальными данными и задачами. Например, сделать что-то вроде «своего» хакатона в качестве «закрепляющего» домашнего задания по нескольким пройденным блокам. Или дополнительно давать тесты на закрепление теории помимо домашнего задания. По «классическому ML» мои знания укрепились. По CV и LLM узнала много новой информации, и уже успешно применила полученные знания на практике.

Обучение было продуктивным, я получил полезные знания, которые точно буду использовать в работе. Отдельно хочу отметить подачу учебного материала: здорово, когда можно пересматривать записи лекций в удобное время. Взаимодействие преподавателей и студентов было удобно организовано, проводились консультации, да и в целом любой студент мог написать напрямую преподавателю и получить ответ на свой вопрос.

Больше всего мне понравился период стажировок: можно было попробовать свои силы в реальных проектах с серьезными работодателями, обменяться опытом с другими студентами, получить ценные знания от профессионалов. Такие мероприятия дорогого стоят, ведь они сильно прокачивают профессиональные навыки. Рад что, смог в них поучаствовать. Благодаря обучения здесь я открыл новые горизонты, больше знаю и больше умею. Абсолютно точно буду рекомендовать курсы ИТ-академии другим студентам.

Я узнал много нового и интересного из области искусственного интеллекта, получил хорошую практическую базу. Особенно понравилось разные интенсивы, на которых мы получили реальный опыт. Удобно, что на вебинарах можно было задавать преподавателю вопросы, хотя и не хватало именно живого общения, когда можно поговорить «с глазу на глаз». Больше всего я оценил сам формат обучения в ИТ-Академии: даже при пропуске пар можно было посмотреть запись вебинаров, а самостоятельные задания помогли наработать практический опыт.

Курс однозначно помог мне повысить знания и профессиональные компетенции. Благодаря проекту я приобрёл практический опыт, который могу использовать в работе. А самое главное, что проект дал желание и интерес дальше развиваться в этой области.