Скачать MLOps: Разработка и внедрение ML-решений [python school] [Ермилов Дмитрий]

[Kevin]

**MLOps: Разработка и внедрение ML-решений**

Подходы к разработке ML-решений, средства их реализации и внедрения в production. Ознакомление с инструментами командной разработки: Git, MLFlow, DVC. Изучение архитектур ML-решений и основ менеджмента DS-проектов.

**Что такое MLOps**

Благодаря стремительному развитию машинного обучения, MLOps-инженеры сегодня — одни из самых востребованных и высокооплачиваемых специалистов в области Data Science.

MLOps – это культура и набор практик комплексного и автоматизированного управления жизненным циклом систем машинного обучения, объединяющие их разработку и операции эксплуатационного сопровождения. MLOps расширяет методологию CRISP-DM с помощью Agile-подхода и технических инструментов автоматизированного выполнения операций.

**Программа курса "MLOps: Разработка и внедрение ML-решений"**

**Часть 1. Задачи и инструменты машинного обучения**

Цель:

- дать представление о постановках задач машинного обучения и современных методах и инструментах их решения;
- продемонстрировать отличия от задач, решаемых с использованием классических методов;
- теоретическая часть: знакомство с методами решения задач машинного обучения и метриками качества для оценки результатов;
- практическая часть: работа с инструментарием и решение задач классификации/регрессии.

**Часть 2. Основные этапы разработки ML-решений: от прототипа до подготовки к production**

Цель:

- демонстрация подходов к прототипированию и основные требования к прототипу;
- показ этапов разработки ML-решения, включая сбор данных и сериализацию модели;
- теоретическая часть: процесс разработки ML-решения;
- практическая часть: построение сквозного ML-решения;
- домашняя работа: разработка индивидуального сквозного ML-решения.

**Часть 3. MLOps. Экосистема разработки ML-продуктов**

Цель:

- продемонстрировать необходимость инструментов командной разработки ML-решений;
- теоретическая часть: примеры использования инструментов MLOps;
- практическая часть: работа с Git, MLFlow и DVC;
- домашняя работа: применение Git, MLFlow и DVC в индивидуальном ML-решении.

**Часть 4. Подходы к работе с данными на каждом этапе разработки ML-решений**

Цель:

- показать основные типы данных и методы работы с ними;
- теоретическая часть: знакомство с данными и их обработкой на различных этапах разработки;
- практическая часть: обработка данных, разметка, работа с AirFlow;
- домашняя работа: развитие индивидуального ML-решения.

**Часть 5. Обзор архитектурных решений для интеграции в production. Использование облачных сервисов**

Цель:

- рассмотреть подходы к интеграции решений в production;
- продемонстрировать использование облачных сервисов;
- теоретическая часть: интеграция в production и использование облачных сервисов;
- практическая часть: упаковка ML-решения в контейнер и работа с облачной платформой;
- домашняя работа: развитие индивидуального проекта.

**Часть 6. Обзор этапов и структуры ML-проекта**

Цель:

- показать основные этапы и ресурсы для реализации ML-проекта;
- демонстрация цикличности в жизненном цикле ML-решения;
- теоретическая часть: обзор ML-проекта целиком и роля менеджмента DS-команды;
- практическая часть: настройка инструментов и развертывание CI/CD;
- домашняя работа: завершение индивидуального проекта.

Для просмотра скрытого содержимого вы должны зарегистрироваться