Специальная цена
30 мая
5 месяцев
Онлайн
Вт/Чт 20:00 Мск
MLOps — это не человек, а набор практик, которым должны обладать различные специалисты. Поэтому знание MLOps для каждой роли открывает свои возможности в команде.
Для обучения вам понадобятся базовые навыки работы с данными. Предлагаем посмотреть Карту курсов направления Data Science в OTUS, чтобы сориентироваться в необходимом уровне подготовки.
Мы ожидаем, что наши студенты уже владеют знаниями разработки на Python и ML. Цель нашего курса повысить квалификацию уже практикующих инженеров.
Данный курс даст вам понимание того, как устроен процесс внедрения ML-решения от идеи до вывода его в прод. Преподаватели поделятся лучшими практиками и инструментами MLOps, которые устоялись в современной индустрии.
Каждый модуль вы будете закреплять на практике, выполняя домашнее задание. В конце обучения вас ждет финальный проект, который позволит обобщить все полученные знания и пополнить портфолио. Он может быть выполнен в рамках рабочих задач на вашем датасете или быть учебным проектом, основанным на данных, предоставляемых OTUS.
Один из главных трендов в современном мире - автоматизация процессов обучения и валидации, которая, в некотором роде обесценивает работу классического Data Scientist. Все движется к тому, что даже неспециалист сможет сделать fit-predict. Поэтому уже сейчас в цене те, кто обладает инженерными навыки.
Практические вебинары, где 80% времени вы будете решать задачи
Преподаватели из разных сфер, каждый со своим уникальным опытом.
Партнер курса предоставит ресурсы, чтобы вы могли разворачивать настоящие кластера в облаке
Многие студенты еще во время прохождения первой части программы находят или меняют работу, а к концу обучения могут претендовать на повышение в должности. Мы оказываем помощь в вопросах карьеры на протяжении всего обучения и спустя полгода после его завершения.
2 занятия по 2 ак.часа в неделю
Доступ к записям и материалам остается навсегда
Развернутый фидбэк по домашним заданиям от преподавателей
Общайтесь с преподавателями голосом на вебинарах и в закрытой Telegram группе.
С чего следует начинать любой проект по ML? Конечно с целей и метрик, а также с организации процессов взаимодействия в команде. Как организовать хранение кода, как вести задачи и много другое будет обсуждено в рамках этого модуля.
Тема 1: Вводное занятие
Тема 2: Цели и метрики ML проектов
Тема 3: Организация исходного кода
Тема 4: Взаимодействие с командой
Тема 5: Практика. Формирование процессов команды
В этом модуле мы начнем возводить кирпичики нашей системы с инфраструктурных блоков. Мы узнаем какие блоки стоит выделить, где хранить данных. Как автоматизировать периодические операции. Как эффективно и безопасно использовать облачные сервисы.
Тема 1: Базовые блоки инфраструктуры
Тема 2: Облачные провайдеры
Тема 3: Собственная инфраструктура
Тема 4: Изменение кода и CI/CD
Тема 5: Биллинг и Identity and Access Management
Тема 6: Практика. Настройка облачной инфраструктуры
Все начинается с данных. Их нужно собрать, сохранить, проанализировать, провести очистку и заполнение пропусков, извлечь признаки и внимательно следить за качеством данных и их версионированием. В этом модуле мы рассмотрим все эти темы.
Тема 1: Выбор хранилища. HDFS/S3/DataBase/etc
Тема 2: Сбор данных на потоке. Kafka
Тема 3: Сбор данных по расписанию. AirFlow
Тема 4: Валидация данных
Тема 5: Обнаружение сдвигов в данных
Тема 6: Подготовка и обогащение данных
Тема 7: Извлечение признаков
Тема 8: Версионирование данных. DVC
Тема 9: Практика. Конвейер подготовки данных
Наконец мы добрались до обучение моделей и самое время обсудить как сделать это обучение воспроизводимым. Как проводить обучение моделей в распределенной среде. Как хранить и версионировать артефакты с моделями.
Тема 1: Воспроизводимость и версионирование. MLFlow
Тема 2: Перенос ML алгоритмов в распределенную среду
Тема 3: Популярные фреймворки в распределенной среде
Тема 4: Подбор гиперпараметров и AutoML
Тема 5: Практика. Регулярное переобучение
Перед запуском модели в production, её следует внимательно провалидировать и изучить. В этом модуле мы обсудим какие есть стратегии валидации, как проводить анализ моделей и интерпретировать их результаты. Как показать влияние модели на бизнес-метрики с помощью A/B тестирования.
Тема 1: Стратегии валидации моделей
Тема 2: Анализ моделей
Тема 3: Интерпретируемость
Тема 4: A/B-тестирование
Тема 5: Практика. Автоматическая валидация
Модель готова и проанализирована. Пришло время катить её в production. Какие есть стратегии инференса, какие инструменты помогут автоматизировать выкатку в production. Как подготовить веб-сервис с моделью и запустить его в k8s.
Тема 1: Пакетный режим работы
Тема 2: Асинхронный потоковый режим
Тема 3: Модель как сервис
Тема 4: Подготовка артефактов
Тема 5: Развертывание в k8s
Тема 6: Обновление моделей
Модель работает в production, но как мы будем за ней следить. Как собирать и визуализировать метрики. Как узнавать о проблемах раньше всех и заранее вносить исправления.
Тема 1: Инструменты и метрики. Prometheus
Тема 2: Поиск отклонений и сдвигов в данных
Тема 3: Построение обратной петли
Тема 4: Алертинг
Заключительный месяц курса посвящен проектной работе. Свой проект — это то, что интересно писать слушателю. То, что можно создать на основе знаний, полученных на курсе. При этом не обязательно закончить его за месяц. В процессе написания по проекту можно получить консультации преподавателей.
Тема 1: Выбор темы и организация проектной работы
Тема 2: Консультация по проектам и домашним заданиям
Тема 3: Защита проектных работ
Тема 1: Что лежит в основе ChatGPT? (Бонус)
Выпускной проект даст возможность закрепить навыки, наработанные в процессе обучения. Вам на выбор будет предоставлено 2 варианта:
Эксперты-практики делятся опытом, разбирают кейсы студентов и дают развернутый фидбэк на домашние задания
OTUS осуществляет лицензированную образовательную деятельность.
В конце обучения вы получите сертификат OTUS о прохождении курса
Стоимость в рассрочку