Организация полного цикла MLOps: процессы команды, инфраструктура, данные, моделирование, валидация, деплой и мониторинг.
Организация полного цикла MLOps: процессы команды, инфраструктура, данные, моделирование, валидация, деплой и мониторинг. Кому адресована программа: mL-инженерам, Data Scientist и разработчикам, внедряющим модели в продакшен.
Обучение охватывает следующие темы: Процессы; Инфраструктура; Подготовка данных; Моделирование; Валидация. Далее изучаются: Развертывание; Мониторинг; Проектная работа.
ML-инженерам, Data Scientist и разработчикам, внедряющим модели в продакшен.
Вводное занятие; Цели и метрики ML проектов; Организация исходного кода; Взаимодействие с командой.
Базовые блоки инфраструктуры; Облачные провайдеры; Собственная инфраструктура; Изменение кода и CI/CD.
Выбор хранилища. HDFS/S3/DataBase/etc; Сбор данных на потоке. Kafka; Сбор данных по расписанию. AirFlow; Валидация данных.
Воспроизводимость и версионирование. MLFlow; Перенос ML алгоритмов в распределенную среду; Популярные фреймворки в распределенной среде; Подбор гиперпараметров и AutoML.
Стратегии валидации моделей; Анализ моделей; Интерпретируемость; A/B-тестирование.
Пакетный режим работы; Асинхронный потоковый режим; Модель как сервис; Подготовка артефактов.
Инструменты и метрики. Prometheus; Поиск отклонений и сдвигов в данных / MLOps в k8s; Построение обратной петли; Алертинг.
Выбор темы и организация проектной работы; Консультация по проектам и домашним заданиям; Защита проектных работ.
OTUS специализируется на онлайн-образовании в ИТ. Направления школы включают разработку, тестирование, инфраструктуру, информационную безопасность, управление и Data Science. Программы рассчитаны на разные уровни подготовки — от начальных до профессиональных.
ML и Data Science
Подготовка по Python, математике, SQL и машинному обучению, включая временные ряды, тексты и нейронные сети.
ML и Data Science
Управление ИИ-продуктом: от бизнес-задачи и гипотезы до пилота и оценки эффекта.
ML и Data Science
Подготовка ML-инженера: от работы с данными и моделями до прикладных проектов.
ML и Data Science
Проектирование ML- и ИИ-систем с учётом бизнес-задачи, метрик, внедрения и поддержки.
