Цель курса: Освоить базовые понятия и методы создания ML-продуктов от сбора данных до интеграции модели в продуктивную среду. Познакомиться с инструментами командной разработки (Git, MLFlow, DVC) и основами менеджмента ML-проектов*. Аудитория: Python-разработчики, дата-аналитики, инженеры данных, менеджеры AI-продуктов и руководители (тимлиды) ML-команд.
ПРОГРАММА КУРСА "MLOPS: РАЗРАБОТКА И ВНЕДРЕНИЕ ML-РЕШЕНИЙ"
Часть 1. Задачи и инструменты машинного обучения
Цель:
- дать представление о постановках задач машинного обучения, а также современных методах и инструментах их решения;
- продемонстрировать отличия от задач, для решения которых достаточно классических методов и алгоритмов (без ML)
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)