ИТ-Лекторий: Выстраивание процесса машинного обучения

Когда речь заходит о построении моделей, мы всегда имеем дело с повторением непростых процессов выбора/обучения/настройки/подтверждения/тестирования алгоритма. И сложность заключается в том, что в большинстве случаев результат всей этой работы - это длиннющий код на языке Python в Jupyter notebook. Ну, так себе... 

Даже если разработка моделей - это основа всего, не менее важно сохранить чистоту и структуру кода. Стало быть, деление кода на модули, отвечающие за отдельные процессы (например, модели машинного обучения), и создание небольшого скрипта для их запуска может существенно упростить работу не только с точки зрения навигации по коду, но и с точки зрения корректировки/замены модулей без прерывания самого процесса.

Цель занятия - продемонстрировать вам типовую архитектуру проекта в области анализа данных. По итогам занятия вы сможете самостоятельно создавать простые, но правильно структурированные цепочки процессов в docker-контейнере, начиная с ввода и предварительной обработки данных и до построения, настройки и оценки моделей.

Вы узнаете:

Обратите внимание, что речь пойдет не о построении моделей, а, скорее, о правильной архитектуре, которая поможет усовершенствовать процесс. Поэтому, чтобы получить максимум пользы от занятия, участники должны иметь некоторое представление о языке программирования Python (классы, функции, библиотека sklearn) и хотя бы в общих чертах представлять себе процесс машинного обучения.

После лекции мы расскажем о возможностях для стажировки в группе технологического консалтинга EY и ответим на все ваши вопросы.

Когда: 20 апреля в 18:00-20:00.

Для эффективного занятия участники должны иметь представление о языке программирования Python (классы, функции, библиотека sklearn) и хотя бы в общих чертах представлять себе процесс машинного обучения.