- Регистрация
- 8 Сен 2016
- Сообщения
- 483.921
- Реакции
- 268.180
**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.
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
Возможно, Вас ещё заинтересует:
- Консультирование клиентов по сексуальным вопросам [Стефани Бюхлер]
- [Вязание] Пуловер с ажурными косами спицами сверху Low Tide [Вяжи.ру] [Rachel Illsley]
- Умная кухня [Стандартный тариф] [Дарья Вильино, Ольга Субботина]
- Активация интуитивного интеллекта [Joey Yap] [Joey Yap Academy]
- Использование духовной энергии Ци Мэнь [Joey Yap] [Joey Yap Academy]
- Прогнозирование в Ци Мэнь: Оценка здоровья [Joey Yap] [Joey Yap Academy]
- Прогнозирование в Ци Мэнь: Что происходит? [Joey Yap] [Joey Yap Academy]
- TgQuiz PRO – Легкое ведение сетки quiz-каналов в Telegram (для новичков и профи)