Специальная цена
Рассрочка
MLOps
Покажем на практике как деплоить модели в production
28 ноября
Advanced
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
- построение веб-сервисов на python
- опыт разработки на python
- опыт использования python для решения задач ML
- Linux
- Git
Подходит ли эта программа именно вам?
Пройдите тест, чтобы определить свой уровень знанийЧто 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
Cмотрите подборку открытых уроков MLOps.
Примеры тем итоговых проектов выпускников курса:
- Инфраструктура для алгоритмической торговли на фондовом рынке с использованием машинного обучения;
- Автоматизация обучения генеративной модели на публичном датасете при обновлении данных;
- Создание универсального набора инструментов для разворачивания ML-модели;
- Контейнеризированный инференс модели компьютерного зрения для задачи классификации изображений.
Почему стоить освоить?
Владение навыками MLOps повышает стоимость специалиста и его востребованность на рынке труда
Процесс обучения
Вебинары проводятся 2 раза в неделю по 2 ак. часа и сохраняются в записи в личном кабинете. Вы можете посмотреть их в любое удобное для вас время. Практические вебинары, где 80% времени вы будете решать задачи.
В ходе обучения вы будете выполнять домашние задания. Каждое из них посвящено одному из компонентов вашего выпускного проекта.
После выполнения всех домашних заданий вы получите готовый выпускной проект.
Оптимальная нагрузка
Возможность совмещать учебу с работой.Эксперты
Преподаватели из разных сфер, каждый со своим уникальным опытом.
Перспективы
Получите знания, которые помогут повысить вашу востребованность и доход.
Партнеры
Многие студенты еще во время прохождения первой части программы находят или меняют работу, а к концу обучения могут претендовать на повышение в должности.
- Карьерные мероприятия в сообществе
Публичный разбор резюме
Публичное прохождение собеседования и воркшопы - Разместите свое резюме в базе OTUS и сможете получать приглашения на собеседования от партнеров
ML engineer
Формат обучения
Интерактивные вебинары
2 онлайн-трансляции по 2 ак. часа в неделю. Доступ к записям и материалам остается навсегда.
Обратная связь
Домашние задания с поддержкой и обратной связью наших преподавателей помогут освоить изучаемые технологии.
Активное комьюнити
Чат в Telegram для общения преподавателей и студентов.
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 многое другое будет рассмотрено 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 данные. 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: Terraform
Тема 7: Практика. Настройка облачной инфраструктуры
Подготовка данных
Всё 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: Использование Feature Store: Feast
Тема 10: Практика. Конвейер подготовки данных
Моделирование
Наконец мы добрались до обучения 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 / MLOps в k8s
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
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.
Полученные в итоге артефакты усилят ваше резюме.
Преподаватели
Эксперты-практики делятся опытом, разбирают кейсы студентов и дают развернутый фидбэк на домашние задания
Ближайшие мероприятия
Открытый вебинар — это настоящее занятие в режиме он-лайн с преподавателем курса, которое позволяет посмотреть, как проходит процесс обучения. В ходе занятия слушатели имеют возможность задать вопросы и получить знания по реальным практическим кейсам.
• Введение в AutoML: основные концепции, преимущества и недостатки
• Подбор гиперпараметров: какие методы бывают, в каких ситуациях беспорядок эффективнее порядка, и как все это автоматизировать
• Практика на примере популярных библиотек pycaret и hyperopt
Что смогут участники после урока:
• Поймут основные целеполагание и основные принципы работы AutoML
• Узнают про разные способы подбора гиперпарамеров, их плюсы и минусы
• Получат базовые навыки работы с инструментами для автоматизации подбора моделей и гиперпараметров
Прошедшие
мероприятия
Возможность пройти вступительное тестирование повторно появится только через 3 дня
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 Вы:
- Получите материалы по пройденным занятиям (видеозаписи курса, дoполнительные материалы, финальный проект для добавления в портфолио)
- Создадите своё портфолио проектов, которое поможет при прохождении собеседований
- Повысите свою ценность и конкурентоспособность как IT-специалист
- Получите сертификат об окончании курса
MLOps
Стоимость в рассрочку со скидкой
Стоимость указана для оплаты физическими лицами
вычета до 13% стоимости обучения. Пройдите тестирование и менеджер вас проконсультирует
+7 499 938-92-02 бесплатно