Это курс для специалистов с опытом, которые хотят профессионально вырасти
Нужно знать основы SQL и объектно-ориентированного программирования, уметь использовать Python для решения ML-задач, быть знакомым с проектированием веб-сервисов на Flask, FastAPI или Django, работать в Git на уровне открытого PR и с простыми пайплайнами по обработке данных в оркестраторах общего применения Airflow или Prefect
Через 5 месяцев вы сможете
- Специалисты в области Data Science и Machine Learning
Разберётесь в ключевых практиках и инструментах MLOps, чтобы разворачивать и управлять ML-моделями в продакшн-среде- ML-инженеры и специалисты по DevOps
Структурируете знания и освоите подход к управлению жизненным циклом ML-моделей: автоматизируете развёртывание, настройку мониторинга и обновление моделей в продакшене- Инженеры данных
Погрузитесь в новую предметную область и выйдете за рамки классических ETL-процессов: научитесь организовывать и сопровождать ML-модели в продакшене
Освоите стек технологий, который соответствует современным требованиям MLOps
- Оценивать зрелость ML-проекта при помощи фреймворка MLOps-зрелости
- Развёртывать ML-модели в продакшене
- Настраивать и поддерживать CI/CD-процессы для ML, чтобы автоматизировать обновление и интеграцию моделей
- Разрабатывать MLOps-архитектуру, адаптированную под конкретный кейс
- Выбирать подходящий способ деплоя в зависимости от бизнес-требований
- Работать в облачной среде и управлять ML-инфраструктурой при помощи Yandex Cloud
- Автоматизировать жизненный цикл ML-модели: предобработку данных, эксперименты, развёртывание и мониторинг
- Обеспечивать надёжность и контроль качества моделей с помощью версионирования, тестирования, мониторинга данных и метрик
- Взаимодействовать с другими специалистами, создавая комплексные ML-решения, готовые к масштабированию
Программа:
- Python
- Git
- Docker
- Docker Compose
- FastAPI
- MLflow
- ClearML
- S3
- Yandex Cloud
- Prometheus Stack
- Evidently
- Great Expectations
- Airflow
- PostgreSQL
- Linux
- GitLab CI
- CI/CD
- NFS
- Kserve
- Введение в MLOps
- Практики разработки
- DevOps- и CI/CD-практики
- Контейнеризация и облачное окружение
- Качество и версионирование данных
- Отслеживание экспериментов, управление ML-моделями и их хранение
- Оркестрация и ML-пайплайны
- Развёртывание ML-моделей
- Мониторинг и обратная связь
Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть...
Новые складчины | страница 2
Категории
Страница 2 из 34
