Искусственный интеллект для инженеров: ML, CV, LLM и запуск на устройствах

Искусственный интеллект для инженеров: практический курс по ML, компьютерному зрению, LLM и запуску моделей на устройствах. Около 52 академических часов, self-paced на Tutor. Цена 39 900 ₽. Свой стенд слушателя: Raspberry Pi и/или NVIDIA Jetson, если хотите закрыть edge-модуль на железе.

Формат онлайн. Без очной базы вуза и без полётов на аэродроме. Документ по итогу: сертификат Кибер Университета на платформе Tutor. Не удостоверение ДПО и не диплом МАИ.

Для кого этот курс

• Инженеры и разработчики, которым нужно внедрять модели, а не только смотреть демо в Colab.
• Специалисты с данными датчиков, камер и стендов (робототехника / БАС как контекст сенсоров, без обязательного пилотирования).
• Middle-разработчики, которые уже трогали Python и хотят связку ML + CV + LLM + edge.

Не для кого: полный ноль в Python; «только ChatGPT для офиса»; ожидание диплома ДПО или удостоверения о повышении квалификации государственного образца.

Чему научитесь

• Поставить задачу ML (классификация, регрессия, аномалии) под инженерный кейс и оценить качество без самообмана метриками.
• Собрать и почистить данные, в том числе фрагменты временных рядов с датчиков.
• Вызвать LLM API в RU-контуре (GigaChat / YandexGPT) для документации, разбора логов и черновиков скриптов, с правилами секретов.
• Прогнать CV-пайплайн до детекции уровня YOLO и понять, где модель ломается на реальной камере.
• Разметить датасет и ускорить разметку без хаоса в файлах.
• Упаковать инференс и запустить на edge (Raspberry Pi и/или Jetson в объёме программы) с понятными ограничениями по latency и питанию.

Программа: модули М1-М6

Публичная программа (названия модулей). Полные тексты уроков открываются после записи; гостю видна структура курса.

1. М1. Основы ML и карта применений в инженерии (около 6-8 ч): задачи ML, train/val/test, утечки, NumPy/pandas/scikit-learn, Colab или локальный стенд. Кейс: классификация / аномалии по таблице с датчика.
2. М2. Данные и временные ряды (около 6-8 ч): сбор, хранение, пропуски, feature-окно, простой прогноз и алерт. Кейс: ряд с IMU / температуры / тока (синтетика или открытый датасет).
3. М3. LLM для инженера (около 6-8 ч): ограничения моделей, промпт под техдок, API, structured output, сравнение RU vs зарубежные контуры под NDA. Без fine-tune «ради галочки». Соседний трек по IDE: курс «Нейросети для разработчиков».
4. М4. Компьютерное зрение и YOLO (около 8-10 ч): препроцессинг, детекция, оценка FP/FN, экспорт весов, прогон на видео. Кейс ближе к камере стенда / мониторингу, без обещания «автопилот БПЛА под ключ».
5. М5. Разметка данных (около 4-6 ч): инструменты разметки, соглашения по классам, авторазметка с ручной проверкой, версионирование датасета.
6. М6. Внедрение и edge (Raspberry / Jetson) (около 8-10 ч): инференс, обзор оптимизаций уровня курса, Docker или systemd-сервис на плате, телеметрия ошибок. Слушатель готовит своё железо или облачный эквивалент; платы в комплекте курса не выдаём.

Опциональные М7-М8 (датчики/БПЛА-контекст и капстоун) планируются во второй итерации и в v1 не входят.

Формат и часы

• Объём: около 52 академических часов (диапазон программы 48-56).
• Формат: self-paced на Tutor; практики на своём стенде.
• Уровень: средний (intermediate). Нужен рабочий Python.
• Цена: 39 900 ₽.

Карьера и роли (мягко)

Курс усиливает инженера, который внедряет модели в контур стенда или продукта. Это не «переучивание в ML Research Scientist» и не гарантия оклада.

• Инженер по данным / ML Engineer (прикладной): постановка задач, пайплайны, метрики без самообмана.
• CV / vision engineer на стенде: детекция, разметка, прогон на камере.
• Edge / embedded AI: упаковка инференса на Raspberry / Jetson с учётом latency и питания.
• Инженер автоматизации с LLM-рутиной: документация, логи, черновики скриптов в RU-контуре.

Вилки оплаты (ориентиры, не обещание CU): по публичным вилкам hh.ru и отраслевым обзорам IT РФ 2025-2026 для middle с коммерческим опытом часто встречаются диапазоны порядка от 180 до 350 тыс. ₽ gross в крупных городах и на удалёнке; узкий ML/CV и senior обычно выше. Конкретная вилка зависит от стека, города и формы занятости. Перед сменой роли сверяйте свежие вакансии, а не скрин из рекламы курса.

Стек и железо

• Python, NumPy, pandas, scikit-learn; Colab или локальный стенд.
• OpenCV и YOLO-стек курса; Git.
• LLM API: GigaChat / YandexGPT (и при доступе OpenAI-compatible), секреты только в env / secret store.
• Edge: Raspberry Pi и/или NVIDIA Jetson (свои). CU не выдаёт платы «в комплекте», если отдельно не решено.
• Опционально: Docker, systemd-сервис на плате.

Документы и сертификат

После прохождения курса на платформе Tutor доступен сертификат Кибер Университета, если он включён для курса в личном кабинете. Это сертификат платформы, а не удостоверение о повышении квалификации государственного образца и не диплом ДПО. Заявлений о ДПО на этой странице нет: у CU нет основания выдавать такие документы, пока нет соответствующей лицензии. Если организации нужен именно ДПО-документ, уточняйте требования у HR до оплаты.

Чем курс отличается

• От «просто курса ML»: здесь связка ML + ряды + RU LLM + CV/YOLO + edge, а не только классификатор в ноутбуке.
• От очных DPO с вузом: self-paced, свой стенд, сертификат платформы Tutor, без полётной практики и без обещания аэродрома.
• UAV / БПЛА: только как контекст сенсоров и камеры, без пилотирования.

Требования

• Уверенный Python (циклы, функции, работа с файлами и таблицами).
• Базовый Git и привычка читать документацию.
• Для edge-модуля: доступ к Raspberry Pi и/или Jetson (или облачному эквиваленту). Без платы можно пройти теорию и часть пайплайна, но железо для полного прогона нужно своё.
• Доступ к LLM API в разрешённом контуре; секреты в промпт не вставляем.

Связанные курсы

• Нейросети для разработчиков (7374): IDE, code review, безопасный LLM API в SDLC.
• ИИ-агенты и автоматизация в организации (7268): следующий шаг к агентам и SOP.
• DevOps с нуля до инженера (4295): delivery-контур, CI/CD, эксплуатация.

Частые вопросы (FAQ)

Нужен ли мощный ноутбук или GPU?

Для М1-М5 обычно хватает обычной рабочей машины и Colab. Для М6 желательны Raspberry Pi / Jetson (свои) или облачный аналог. Train тяжёлых моделей с нуля в объём курса не входит.

Сколько часов реально?

Ориентир около 52 академических часов (программа 48-56). Самотемп: можно растянуть или уплотнить под свой график.

Какой порог по Python?

Не ноль. Нужны циклы, функции, pandas/таблицы. Если Python только начинается, сначала закройте базу языка.

Будет ли удостоверение ДПО / диплом МАИ?

Нет. Только сертификат Кибер Университета на Tutor. ДПО на этой странице не заявляем.

Выдаёте ли Jetson / Raspberry в комплекте?

Нет. Железо готовит слушатель. Теорию и часть пайплайна можно пройти без платы; полный edge-прогон на своём устройстве.

Это курс автопилота БПЛА?

Нет. БПЛА и датчики: контекст для CV и сенсоров. Без полётной практики и без обещания «автопилот под ключ».

Как связаны курсы 7374, 7268 и 4295?

7374: LLM в IDE разработчика. 7268: агенты и автоматизация. 4295: DevOps и delivery. Этот курс: ML/CV/LLM/edge для инженера стенда. Соседние треки, не дубли.

Есть ли налоговый вычет?

Только если бухгалтерия CU подтвердит возможность для вашей оплаты. На лендинге гарантию вычета не даём: уточняйте у поддержки до оплаты.

Как записаться?

Оформите заказ на этой странице (кнопка записи / корзина). После оплаты уроки откроются в личном кабинете; гостю видна программа и FAQ.

CTA: Соберите связку ML, CV, RU LLM и edge на своём стенде. Запись на этой странице. Курс в статусе подготовки контента: программа и карточка уже здесь, полные тексты уроков наполняются по мере готовности модулей.