• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Магистратура 2026/2027

Проектирование систем машинного обучения и генеративного искусственного интеллекта

ID 1135088

Когда читается: 2-й курс, 1, 2 модуль
Охват аудитории: для своего кампуса
Язык: русский
Кредиты: 6
Контактные часы: 56

Программа дисциплины

Аннотация

Разработать модель машинного обучения недостаточно: чтобы она приносила пользу, необходимо встроить её организовать работу с данными, настроить развёртывание, обновление модели и мониторинг сервисов. На курсе вы разберёте полный жизненный цикл ML-системы — от постановки бизнес-задачи и определения требований до запуска и эксплуатации модели в production. Вы познакомитесь с инструментами подготовки и оркестрации данных, контейнеризации, CI/CD, трекинга экспериментов и мониторинга. Отдельный блок будет посвящён инфраструктуре для эксплуатации больших языковых моделей: развёртыванию, нагрузочному тестированию, мониторингу и оптимизации производительности production LLM. Итогом курса станет проектирование ML-системы и презентация вашей собственной разработки.
Цель освоения дисциплины

Цель освоения дисциплины

  • Формирование и освоение полного жизненного цикла ML-системы - от постановки бизнес-задачи и определения требований до запуска и эксплуатации модели в production (включая инфраструктуру для эксплуатации больших языковых моделей), результатом чего станет проектирование ML-системы и презентация собственной разработки.
Планируемые результаты обучения

Планируемые результаты обучения

  • Проектировать архитектуру ML-системы с учётом бизнес-задачи, требований к надёжности, масштабируемости и поддерживаемости
  • Организовывать загрузку, преобразование и передачу данных с использованием хранилищ, брокеров сообщений и инструментов оркестрации
  • Упаковывать и развёртывать ML-приложения, автоматизировать их тестирование, сборку и поставку с помощью Docker и CI/CD
  • Организовывать жизненный цикл модели: трекинг экспериментов, версионирование, инференс, мониторинг данных и качества модели
  • Проектировать инфраструктуру для эксплуатации ML- и LLM-моделей и обосновывать выбор архитектурных и технологических решений
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Постановка бизнес-задачи и определение требований
  • Проектирование данных и ML-пайплайнов
  • Подготовка обучающих данных и проведение экспериментов
  • Управление признаками и версиями моделей
  • Проектирование сервисов прогнозирования
  • Стратегии batch-, real-time- и hybrid-инференса
  • Мониторинг, интерпретируемость и обновление моделей
  • Проектирование масштабируемой ML-инфраструктуры
  • Развёртывание и оптимизация больших языковых моделей
Элементы контроля

Элементы контроля

  • неблокирующий Домашние задания
    В течение курса необходимо выполнить 7 обязательных домашних работ, при желании — одно дополнительное задание.
  • неблокирующий Итоговый проект
    В течение курса необходимо подготовить итоговый проект. На заключительных занятиях студенты представят и защитят разработанные решения.
Промежуточная аттестация

Промежуточная аттестация

  • 2026/2027 2nd module
    0.6 * Домашние задания + 0.4 * Итоговый проект
Список литературы

Список литературы

Рекомендуемая основная литература

  • Алгоритмы машинного обучения. (Серия «Библиотека программиста») - Смоляков Вадим - Санкт-Петербург: Питер - 978-5-4461-4257-6 - 2026 - русский - https://ibooks.ru/product/334755 - iBOOKS - 334755
  • Искусственный интеллект: модели, сети и методы машинного обучения : учебное пособие / В. В. Антонов, А. С. Дьячков, Л. А. Кромина [и др.]. — Москва : Русайнс, 2026. — 165 с. — ISBN 978-5-466-11506-2. — URL: https://book.ru/book/962906 (дата обращения: 01.07.2026). — Текст : электронный.
  • Машинный интеллект : очерки по теории машинного обучения и искусственного интеллекта, Шумский, С. А., 2024

Рекомендуемая дополнительная литература

  • Плешакова, Е. С. Алгоритмы машинного обучения для решения прикладных задач : учебное пособие / Е. С. Плешакова. — Москва : Русайнс, 2026. — 176 с. — ISBN 978-5-466-11267-2. — URL: https://book.ru/book/962570 (дата обращения: 01.07.2026). — Текст : электронный.
  • Построение систем машинного обучения на языке Python : как извлечь больше информации из данных путем построения практичных систем машинного обучения на языке Python, Коэльо, Л. П., 2019

Авторы

  • Шаланкин Максим Дмитриевич