(32 ак. часов) Курс дает практику администрирования Arenadata DB/Greenplum в облаке и дата-центре: установка и конфигурация кластера (в т.ч. через ADCM), настройка схем/табличных пространств/индексов и партиционирования, управление ресурсными группами, обслуживание (vacuum, реиндексация), масштабирование и анализ планов запросов. В результате вы сможете обеспечить эксплуатационную надежность MPP-кластера: настроить загрузку/выгрузку и интеграции (PXF, внешние таблицы, Kafka/Hadoop/NiFi/S3), реализовать HA (зеркалирование, восстановление), backup/restore, мониторинг и troubleshooting, а также базовую безопасность (RBAC, SSL, LDAP).

(32 ак. часов) Курс дает практику построения распределенной обработки данных на Apache Spark: от базовых абстракций (RDD, DataFrame, Spark SQL) до production-настройки, оптимизации и параллелизма, а также потоковой обработки (Structured Streaming). В результате вы сможете разрабатывать и сопровождать масштабируемые ETL/аналитические пайплайны и приложения для batch/stream данных, подключать современные компоненты экосистемы (Delta Lake, Kubernetes, pandas API) и уверенно работать со слабоструктурированными форматами (JSON/XML).

(32 ак. часов) Практикум по построению сквозной аналитической платформы под бизнес-кейс: от постановки целей и выбора архитектуры до реализации ETL/ELT для DWH и Data Lake (слои STG/ODS/DDS/Marts), пакетной и потоковой обработки (Spark/Hive/Kafka), оркестрации (Airflow/NiFi) и финальной визуализации в BI (Superset/PowerBI). В результате вы сможете превращать сырые данные в управленческие инсайты, проектируя и собирая конвейеры обработки, витрины и дашборды, а также понимать, как подключать базовые ML-компоненты в общий пайплайн.

(24 ак. часов) Курс дает практику проектирования и внедрения AI-агентов на базе LLM (в т.ч. on-prem Llama): RAG (загрузка/индексация/retrieval), память и планирование, многоагентные пайплайны на LangGraph/CrewAI/AutoGen, интеграции с корпоративными системами и требования к эксплуатации (логирование, мониторинг, контроль утечек и аудит). В результате вы соберете работающий PoC-агент под свой бизнес-кейс и выйдете с планом пилота на 4–8 недель, включая архитектуру, точки интеграции и базовые меры безопасности для промышленного запуска.

(24 ак. часов) Курс дает практику полного цикла работы с нейросетями на Python (PyTorch): от базовой теории обучения и метрик качества до построения и применения моделей для CV, NLP и задач по аудио, с разбором готовых архитектур и собственными экспериментами. В результате вы сможете обучать и оценивать модели, улучшать качество (регуляризация, настройка гиперпараметров), оптимизировать производительность и подготовить нейросеть к внедрению как прикладной сервис.

(24 ак. часов) Практикум дает сквозной навык построения ML-решений на Python: от анализа и предобработки данных, выбора и настройки моделей (линейные методы, деревья, бустинги, AutoML), feature engineering и базовых подходов к CV/NLP на нейросетях до воспроизводимости экспериментов и версионирования. В результате вы сможете доводить модели до промышленного использования: оформлять их как сервис (FastAPI), фиксировать артефакты и метрики (MLflow), автоматизировать пайплайны (Airflow) и аргументировать качество через метрики, привязанные к бизнес-целям.

(24 ак. часов) Курс дает практику полного MLOps-цикла: управление кодом/данными/признаками (Git, DVC, Feast), трекинг экспериментов и артефактов (MLflow/ClearML), контейнеризация и API-сервинг моделей (Docker, FastAPI), оркестрация пайплайнов (Airflow), CI/CD и мониторинг качества/дрейфа (Evidently) с базовой визуализацией. В результате вы сможете переводить модели из ноутбука в production как воспроизводимые и поддерживаемые ML-сервисы, автоматизируя развертывание, обновления и контроль деградации.

(16 ак. часов) Курс учит проектировать и внедрять федеративную аналитическую платформу на базе Trino: от развертывания и настройки кластера до подключения гетерогенных источников, оптимизации SQL-запросов и базовой эксплуатации/мониторинга. В результате вы сможете дать аналитикам и DS быстрый доступ к данным из Data Lake, DWH и операционных БД через единый SQL-слой, сокращая лишние перемещения данных и упрощая архитектуру.

(24 ак. часов) За пять дней вы пройдёте путь от первых сообщений в Kafka до разработки устойчивых сервисов, которые обмениваются событиями в реальном времени и не «сыпятся» при росте нагрузки. В кульминации вы напишете продюсеров и консьюмеров, соберёте потоковую обработку на Kafka Streams и подключите внешние системы через Kafka Connect так, чтобы данные шли автоматически и предсказуемо. В итоге вы сможете проектировать и реализовывать событийно-ориентированные решения, где поток данных становится управляемым продуктовым механизмом, а не источником сюрпризов.