MLOps

Кому предназначен этот курс

MLOps объединяет комплекс методик, которые необходимы специалистам разных профилей. Знание этих практик открывает уникальные перспективы в рамках командной работы.

• Для Data Scientist: если вы уже умеете создавать модели, научитесь правильно внедрять их в промышленную эксплуатацию;
• Для ML-инженеров: освоите стандартизированные подходы к управлению множеством моделей;
• Для Data-инженеров: получите полный обзор этапов работы с data-driven конвейерами — от валидации и обучения до развёртывания и мониторинга ML-моделей;
• Для аналитиков данных: выйдете за пределы построения отчетов и научитесь запускать модели в реальном времени;
• Для Software-инженеров: поймете ключевые этапы и требования, необходимые для интеграции машинного обучения в ваши продукты.

Требуемые знания

• Опыт разработки веб-сервисов на Python;
• Практические навыки программирования на Python;
• Знания применения Python для задач машинного обучения;
• Работа с Linux;
• Уверенное использование системы контроля версий Git.

Что вы получите в результате

Курс предоставит глубокое понимание полного цикла внедрения ML-решений — от зарождения идеи до масштабируемого вывода на продакшн. Преподаватели поделятся актуальными и проверенными в индустрии методиками и инструментарием MLOps.

Практические темы курса

• Организация и хранение исходного кода;
• Методы хранения и управления данными;
• Настройка процессов CI/CD для моделей;
• Автоматическое обновление данных и переобучение моделей;
• Управление инфраструктурой в облачных средах;
• Упаковка моделей в микросервисы;
• Развёртывание Kubernetes;
• Настройка мониторинга и системы оповещений.

В ходе курса вы освоите работу с современными инструментами, включая Яндекс.Облако, GitHub, S3, Apache Spark, Kafka, Airflow, DVC, MLflow, Docker, Kubernetes, Prometheus, Grafana и другие.

Итоговый проект

В качестве завершающего этапа обучения предстоит выполнить выпускной проект, который позволит закрепить приобретённые навыки. Вам будет предложено выбрать один из вариантов:

• Реализовать задачу с использованием собственных данных;
• Разработать и внедрить рекомендательную систему на базе Spark.

Созданные проекты станут важным дополнением к вашему портфолио и помогут выделиться на рынке труда.