Big Data & ML·Курс
Большие данные и машинное обучение
Курс по большим данным: Hadoop, Spark, потоковая обработка, feature engineering, GNN, MLOps и ответственный AI
Часть трека «Математика» — пройди его до конца ради проверяемого диплома →
§ 01 — Ориентир
Впервые здесь?
Что вы научитесь делать, для кого это, сколько займёт и с чего начать.
К концу вы сможете
- 01Проектировать масштабируемый конвейер данных.
- 02Создавать признаки, благодаря которым модели работают.
- 03Выбирать подходящую продвинутую архитектуру.
- 04Выкатывать и отслеживать модели через MLOps.
- 05Взвешивать этику ML-системы.
Кому подходит
Сколько времени займёт
- Быстрый обзорПробежать первый модуль и шпаргалку, чтобы схватить суть.~2 ч
- Полное прочтениеПрочитать каждую статью один раз, по порядку.~2 ч
- Путь к мастерствуЧитать, проходить квизы и повторять с интервалами.~2 нед.
- APA
Stoa. (2026). Большие данные и машинное обучение [Онлайн-курс]. Stoa. https://ru.stoa.school/course/big-data-dl
- MLA
Stoa. “Большие данные и машинное обучение.” Stoa, 2026, https://ru.stoa.school/course/big-data-dl.
- Chicago
Stoa. “Большие данные и машинное обучение.” Stoa. Дата обращения: 31 августа 2026 г.. https://ru.stoa.school/course/big-data-dl.
§ 02 — Программа
5 модулей.
Каждый модуль — отдельный блок. Большинство читается по порядку — но опытный читатель может начать с любого.
- M IСовременные методы машинного обученияGradient boosting, ансамблевые методы, reinforcement learning3 статей
18 минОткрыть → - M IIМатематические основы Deep LearningТеория аппроксимации, backpropagation, трансформер3 статей
18 минОткрыть → - M IIIСтатистика высокой размерностиПроклятие размерности, разреженность, LASSO, Ridge, PCA3 статей
18 минОткрыть → - M IVВыпуклая оптимизация для MLМетоды проксимального градиента, Adam, SGD, теория сходимости3 статей
18 минОткрыть → - M VАлгоритмы для Big DataРандомизированная линейная алгебра, хеширование, потоковые алгоритмы3 статей
18 минОткрыть →
§ 03 — Результаты обучения
4 результата.
Проектировать и использовать системы обработки больших данных (Hadoop, Spark, Kafka)
Разрабатывать признаки для ML-моделей, обрабатывать структурированные и неструктурированные данные
Применять графовые нейронные сети и специализированные архитектуры глубокого обучения
Развёртывать ML-системы в production, обеспечивать справедливость и объяснимость
§ 04 — Практики