Специальная цена
30 мая
5 месяцев
Онлайн
Вт/Чт 20:00 Мск
Для кого этот курс?
MLOps — это не человек, а набор практик, которым должны обладать различные специалисты. Поэтому знание MLOps для каждой роли открывает свои возможности в команде.
- Для Data Scientist-ов: если вы уже умеете создавать модели, то научитесь деплоить их в прод.
- Для ML Engineer-ов: сможете унифицировать управление несколькими моделями.
- Для Data Engineer-ов: вам откроется остальная часть data-driven конвейеров: валидация, обучение, вывод ML моделей в прод и мониторинг.
- Для Data Analytic-ов: сможете выйти за рамки графиков и дашбордов и запустить свои модели в онлайне.
- Для Softwear Engineer-ов: будете понимать, что нужно делать, если на вашем продукте планируют внедрять ML.
Необходимые знания
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.
Программирование:
- опыт разработки на python;
- построение веб-сервисов на python.
ML:
- понимание терминологии машинного обучения;
- опыт использования python для решения задач ML.
Технологии:
- Linux;
- Git.
Что вам даст этот курс?
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.
Примеры практических задач, рассматриваемых на курсе:
- Как правильно организовать хранение исходников
- Где и как хранить данные
- Как сделать CI/CD
- Как регулярно обновлять данные и переобучать модели
- Как управлять инфраструктурой в облаках
- Как упаковывать ML модели в микросервисы
- Как разворачивать k8s
- Как настраивать мониторинг и алертинг
Инструменты, которые используются на курсе: Яндекс клауд, Git hub, S3, Spark, Kafka, Airflow, DVC, ML Flow, Docker, K8s, Prometheus, Grafana и другие.
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.
Почему стоить освоить?
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.
Процесс обучения
Воркшопы
Практические вебинары, где 80% времени вы будете решать задачи
Эксперты
Преподаватели из разных сфер, каждый со своим уникальным опытом.
Практика в Yandex Cloud
Партнер курса предоставит ресурсы, чтобы вы могли разворачивать настоящие кластера в облаке
Трудоустройство
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.
- Получите помощь с оформлением резюме, портфолио и сопроводительного письма
- Пройдете карьерную консультацию с нашим HR-специалистом
- Получите рекомендации, как искать работу, и советы по прохождению собеседования
ML engineer
Работодатели курса
Формат обучения
Интерактивные вебинары
2 занятия по 2 ак.часа в неделю
Доступ к записям и материалам остается навсегда
Обратная связь
Развернутый фидбэк по домашним заданиям от преподавателей
Активное комьюнити
Общайтесь с преподавателями голосом на вебинарах и в закрытой Telegram группе.
Программа
Процессы
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
Инфраструктура
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
Подготовка данных
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
Моделирование
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
Валидация
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
Развертывание
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
Мониторинг
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
Проектная работа
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
Бонусные материалы
Тема 1: Что лежит в основе ChatGPT? (Бонус)
Также вы можете получить полную программу, чтобы убедиться, что обучение вам подходит
Выпускной проект
Выпускной проект даст возможность закрепить навыки, наработанные в процессе обучения. Вам на выбор будет предоставлено 2 варианта:
- взять свою задачу и свои данные;
- разработать и развернуть на Spark рекомендательную систему.
Преподаватели
Эксперты-практики делятся опытом, разбирают кейсы студентов и дают развернутый фидбэк на домашние задания
Прошедшие
мероприятия
Возможность пройти вступительное тестирование повторно появится только через 2 недели
Результаты тестирования будут отправлены вам на email, указанный при регистрации.
Тест рассчитан на 30 минут, после начала тестирования отложить тестирование не получится!
Корпоративное обучение для ваших сотрудников
- Курсы OTUS верифицированы крупными игроками ИТ-рынка и предлагают инструменты и практики, актуальные на данный момент
- Студенты работают в группах, могут получить консультации не только преподавателей, но и профессионального сообщества
- OTUS проверяет знания студентов перед стартом обучения и после его завершения
- Простой и удобный личный кабинет компании, в котором можно видеть статистику по обучению сотрудников
- Сертификат нашего выпускника за 5 лет стал гарантом качества знаний в обществе
- OTUS создал в IT более 120 курсов по 7 направлениям, линейка которых расширяется по 40-50 курсов в год
Отзывы
Сертификат о прохождении курса
OTUS осуществляет лицензированную образовательную деятельность.
В конце обучения вы получите сертификат OTUS о прохождении курса
После обучения:
- Получите полноценный MLOps проект, который сможете разместить в портфолио
- Получите материалы по всем занятиям (видеозаписи занятий, презентации, примеры кодов)
- Получите сертификат об окончании курса
MLOps
Стоимость в рассрочку
Стоимость указана для оплаты физическими лицами
вычета до 13% стоимости обучения. Пройдите тестирование и менеджер вас проконсультирует
+7 499 938-92-02 бесплатно
