Часть 1. Задачи и инструменты машинного обучения
Цель:
Теоретическая часть: погружаемся в классические постановки задач машинного обучения, методы их решения, метрики качества для оценки точности результатов, знакомимся с инструментами
Практическая часть: осваиваем инструментарий и настраиваем среды разработки, решаем небольшой набор ознакомительных задач
Домашняя работа: решение задачи классификации/регрессии.
Часть 2. Основные этапы разработки ML-решений: от прототипа до подготовки к production
Часть 3. MLOps. Экосистема разработки ML-продуктов
Часть 4. Подходы к работе с данными на каждом этапе разработки ML-решений
Часть 5. Обзор архитектурных решений для интеграции в production. Использование облачных сервисов
Часть 6. Обзор этапов и структуры ML-проекта* (входит в расширенную версию курса 40 ак.часов)
Если вы хотите вернуть билеты, вы можете сделать это по ссылке из письма с билетами или оформить запрос организатору в вашем  личном кабинете.