• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Открытый курс «Промышленная эксплуатация моделей машинного обучения»

0+

Основная цель данного курса — сформировать у слушателей понимание того, как применяются модели машинного обучения и как их использовать для решения бизнес-задач.

Знание этих процессов поможет аналитикам и специалистам по машинному обучению максимально адаптировать свои решения к промышленной эксплуатации. По итогам курса вы сможете лучше ориентироваться в производственной среде и понимать жизненный цикл моделей машинного обучения.

В ходе прохождения курса вы, прежде всего, научитесь выстраивать процесс разработки модели для продуктивного решения бизнес-задач, пройдете путь трансформации от jupyter notebook кода до контейнеризации модели и автоматизации необходимых для её работы процессов. В курсе также будет уделено внимание метрикам и способам мониторинга моделей.

В результате вы получите полное представление о процессе продуктивизации моделей, что позволит сократить время выхода на рынок ваших решений и поможет понять инженерный процесс разработки.

 

Онлайн


Скачайте zoom для прохождения курса.


 

 

Бесплатно

 

Вам не нужно платить.


По итогу программы сертификат не выдается.

 

 

Расписание

 

16 ноября - 22 ноября, два раза в неделю в понедельник и четверг с 19:00 до 20:30, МСК.
23 ноября - 28 декабря, один раз в неделю по понедельникам с 19:00 до 20:30, МСК.

 

Знания, которыми должен обладать участник для прохождения курса:

  • Язык программирования Python (базовые библиотеки для Python, которые используются для работы с данными: numpy, pandas, sklearn);
  • Знание принципов построения моделей машинного обучения;
  • Командная строка Linux.
  • 16 ноября (ПН). Тема 1. Построение ML pipeline

    По окончании темы вы сможете:

    • Создавать правильные ML pipeline для моделей

    • Переформатировать код из Jupyter notebook в продуктовый вид

    • Создавать ML тесты кода для устранения ошибок разработки

  • 19 ноября (ЧТ). Тема 2. Версионирование моделей машинного обучения и процесса их разработки

    По окончании темы вы сможете:

    • Создавать версионированный процесс разработки

    • Создавать DVC | Kedro pipeline

    • Правильно сохранять и передавать модели

  • 23 ноября (ПН). Тема 3. REST API

    По окончании темы вы сможете:

    • Определять способы формирования API (делать выбор REST или gRPC)

    • Разрабатывать API на Flask

    • Использовать инструменты мониторинга через API

    • Использовать Streamlit библиотеку для быстрой визуализации

  • 30 ноября (ПН). Тема 4. CI/CD

    По окончании темы вы сможете:

    • Разбираться в test / data driven development

    • Выбирать способы построения CI/CD 

    • Работать с инструментами CI/CD (в частности, с CML) 

  • 7 декабря (ПН). Тема 5. Feature Store – собственное хранилище для моделей

    По окончании темы вы сможете:

    • Разворачивать feature store

    • Создавать pipeline и процессы с хранилищем данных

  • 14 декабря (ПН). Тема 6. Контейнеры для ML

    По окончании темы вы сможете:

    • Разворачивать контейнеры Docker

    • Создавать рабочее окружение используя Docker

    • Контейнеризировать свои разработки

  • 21 декабря (ПН). Тема 7. Автоматизация процессов ML

    По окончании темы вы сможете:

    • Создавать процессы запускаемые по расписанию

    • Работать с Apache AirFlow / Bonobo

  • 28 декабря (ПН). Тема 8. Мониторинг за качеством моделей в производстве

    По окончании темы вы сможете:

    • Применять принципы Data Quality

    • Разбираться и применять сине-зеленое моделирование процессов 

    • Применять метрики для мониторинга за моделями ML

Преподаватель

Артем Селезнев
Senior Data Engineer в Сбербанке

К сожалению, запись на курс завершена. Вы можете оставить нам свои контактные данные в форме ниже, и мы вышлем Вам плейлист с видеозаписями всех занятий по окончанию курса. 

Оставить контакты

Добавить в календарь