Практический курс Python, машинного обучения и AI-инструментов на базе КарГТУ. Ведут практикующие разработчики и научные эксперты. 65% практики и реальный проект в портфолио.
import pandas as pdfrom sklearn.ensemble import RandomForestClassifiermodel.fit(X_train, y_train)preds = model.predict(X_test)
Курс «Введение в ML и AI» отличается от поверхностных курсов по нейросетям тем, что формирует техническую базу: программирование на Python, работу с данными, понимание ML-моделей и применение AI-инструментов в инженерном процессе.
Студенты проходят полный путь технического решения: код → данные → ML-модель → проверка результата → защита проекта. AI используется не как замена мышлению, а как инструмент разработки: для объяснения кода, отладки, рефакторинга, тестов и code review.
С 2014 года школа работает на базе университетской инфраструктуры КарГТУ — с компьютерными аудиториями и лабораторией искусственного интеллекта, что позволяет вести курс в гибридном формате с очными практикумами и защитой проектов.
«Мы учим не пользоваться AI-сервисами, а понимать, как создаются, проверяются и улучшаются реальные цифровые решения.»
Мурат Кожанов, руководитель курса
Python → данные → ML-модель → защита проекта. Не отдельные ролики, а сквозная траектория.
Соотношение в пользу работы: вы пишете код, а не смотрите. 144 из 216 часов — практика и проекты.
4 преподавателя из индустрии и науки на базе КарГТУ + гостевой учёный мирового уровня.
Программа построена вокруг практики: лабораторные работы, мини-проекты, code review и постепенная сборка итогового проекта. Каждый модуль завершается результатом.
Старт в AI-разработке: окружение, Git/GitHub, синтаксис Python, структуры данных, файлы, API и первый мини-проект.
Работа с данными: NumPy, Pandas, очистка таблиц, пропуски, группировки, визуализация и постановка ML-задачи.
Базовые модели: регрессия, классификация, деревья и ансамбли в scikit-learn; метрики качества, валидация и переобучение.
Vibe Coding и AI-ассистенты в разработке, логика AI-агентов, работа с API и сборка итогового проекта с защитой.
Роль Python в AI-разработке; установка Python; IDE; терминал; виртуальное окружение; базовая структура проекта; Git и GitHub; правила ведения учебного репозитория.
Переменные, типы данных, операторы, условия, циклы, функции, области видимости, базовая отладка, простые консольные программы.
Списки, кортежи, словари, множества; работа со строками; чтение и запись файлов; JSON/CSV; обработка ошибок; модули и импорт.
Структура Python-проекта; читаемый код; базовое тестирование; документация; работа с API; HTTP-запросы; мини-проект на Python.
NumPy, Pandas, загрузка данных, очистка таблиц, пропущенные значения, фильтрация, группировки, базовая визуализация и первичный анализ данных.
Типы ML-задач; признаки и целевая переменная; train/test split; подготовка признаков; кодирование категорий; масштабирование; baseline-подход.
Регрессия, классификация, деревья решений, ансамблевые методы на базовом уровне; обучение моделей в scikit-learn; predict/fit; сравнение моделей.
Метрики качества; confusion matrix; accuracy, precision, recall, F1, MAE/MSE; кросс-валидация; переобучение; интерпретация результатов; простые ML-pipelines.
AI-инструменты в разработке; постановка задач для AI coding assistant; управление контекстом; генерация и объяснение кода; отладка; рефакторинг; тесты; code review.
Логика AI-агента; задача, контекст, инструменты, память и планирование; работа с API; многошаговые сценарии; проверка результата; ограничения и риски.
Сборка финального проекта; тестирование; улучшение по обратной связи; подготовка презентации; демонстрация MVP, AI-автоматизации или цифрового ассистента.
Курс ведут действующие разработчики и преподаватели с научной школой. Каждый совмещает практику в индустрии с академической экспертизой.
015+ летАрхитектура LLM-приложений, AI-инструменты
Магистр физики (Washington University in St. Louis) и магистр машинного обучения (КарГТУ). С 2023 — ведущий разработчик TANU AI, где создал карьерный AI-советник на базе LLM (ChatGPT + LangChain). Автор публикаций Scopus, включая статью в Algorithms (2025). Стек: FastAPI, PyTorch, Scikit-learn, Docker, AWS.
Python, лабораторные и практика
Магистр техники и технологии, PhD(c), старший преподаватель кафедры ИТ КарГТУ. «Лучший преподаватель вуза РК — 2020», автор 50+ публикаций, 17 учебных пособий и 3 монографий. Стажировки в University College Dublin, C-DAC Noida и СПбПУ. Под её руководством студенты — призёры HackNU, WorldSkills и ACM ICPC.
0310+ летСтратегия курса и связь с индустрией
Магистр технических наук, PhD(c) (ЕНУ, Óbuda University), заведующий кафедрой ИТ и безопасности КарГТУ. «Лучший преподаватель вуза РК — 2023», стипендиат «Болашақ», стажировка у проф. Амира Мосави. Реализовал республиканские цифровые платформы для вузов Казахстана по заказу МНВО РК.
Методика и структура обучения
Заведующий кафедрой и учитель информатики Назарбаев Интеллектуальной школы (Караганда). С 2013 года совмещает преподавание с исследованиями, автор публикаций по методике обучения IT. Специализируется на интеграции цифровых технологий и эффективных методиках преподавания информатики.
Учёный из топ-2% мира, №1 в Computer Science и AI в Европе по версии research.com. Автор публикаций по машинному обучению, deep learning, анализу данных, климатическим и энергетическим моделям.
Часть занятий — живые онлайн-лекции, часть — очные практикумы в компьютерной аудитории КарГТУ. Теория сразу закрепляется лабораторными и мини-проектами.
Лаборатория · КарГТУ, КарагандаЖивые лекции, демонстрации инструментов и Q&A в Google Meet. Теория и разбор примеров.
Практика в компьютерной лаборатории КарГТУ: код, code review, проектные сессии и консультации.
Домашние задания, лабораторные и мини-проекты в Google Classroom / LMS Nova Education.
Записи онлайн-занятий доступны для повторения материала в удобном темпе.
Курс требует участия в занятиях в фиксированное время — это не полностью асинхронный формат.
Для сертификата: итог ≥ 60%, посещаемость ≥ 50% и защита финального проекта.
Шкала: A 90–100 · B 75–89 · C 60–74 · F < 60
недель структурированной программы
академических часов — 144 из них практика
эксперта-практика + гостевой учёный
практических модулей с результатом
«До обучения в Nova Education я работал финансовым аналитиком, и отчёты занимали у меня часы каждый месяц. На курсе я освоил автоматизацию обработки больших данных в Google Colab: построил алгоритм прогнозирования денежных потоков и внедрил визуализацию на Python. Уже через месяц после выпуска меня повысили до руководителя отдела финансовой отчётности.»
«Я прошёл гибридный курс Nova Education. Онлайн-лекции и практика в компьютерных классах позволили мне внедрить собственных ИИ-агентов прямо в юридическом департаменте — это ускорило согласование нормативных актов и снизило количество ошибок.»
Без вступительных экзаменов. Опыт программирования не обязателен — нужны базовая цифровая грамотность и готовность регулярно практиковаться.
Заполняете заявку и подтверждаете мотивацию к обучению.
Короткий разговор и оценка цифровой грамотности — без LeetCode и экзаменов.
Сообщаем решение и закрепляем место в группе.
Октябрь 2026 по утверждённому графику набора.
Рассрочка и условия скидок — по внутренним правилам Nova Education. Платные подписки на AI-сервисы в рамках курса не требуются.
Нет. Начинаем с основ Python. Нужны базовая цифровая грамотность и готовность регулярно практиковаться.
27 недель, примерно 8–12 часов в неделю с учётом самостоятельной работы. Один академический час — 45 минут.
Записи онлайн-занятий доступны для повтора. Рекомендуемая посещаемость для сертификата — не ниже 50%.
Русский. Интерфейсы, документация и названия библиотек — на английском; преподаватели поясняют ключевые термины.
Личный ноутбук, интернет и Google-аккаунт. Мощная видеокарта не нужна — scikit-learn работает на обычном ноутбуке.
Сертификат о прохождении и защите проекта, готовый проект для портфолио и траекторию Junior AI / ML / Data-специалиста.
Гарантий нет, но портфолио, сертификат и связь с индустрией через экспертов КарГТУ повышают шансы на первую роль.
Да, условия рассрочки и скидок уточняйте у куратора при подаче заявки.