В реальном ML-проекте нужно пройти весь контур: понять задачу, проверить данные, собрать признаки, обучить модель, оценить ошибки, завернуть inference в API, настроить проверки и следить за качеством после релиза. Data Scientist: от данных до деплоя моделей — практический курс про полный цикл Data Science: от постановки ML-задачи и EDA до CI/CD, inference API и мониторинга моделей в продакшне. Внутри курса: 🔹 Данные и признаки — EDA, качество данных, data leakage, feature engineering 🔹 Модели — baseline, gradient boosting, валидация, метрики и error analysis 🔹 Experiment tracking — MLflow / Weights & Biases, сравнение экспериментов и версионирование 🔹 Deployment — FastAPI-сервис, inference API, batch-inference и обработка ошибок 🔹 CI/CD и мониторинг — тесты, quality gates, data drift, prediction drift и дашборды Курс для тех, кто хочет не просто обучать модели, а доводить ML-решения до рабочего состояния: с воспроизводимостью, API, проверками и мониторингом. На Latorn можно н