Разработка и внедрение ML-решений

6-дневный курс поможет 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*.

 

Код курса Даты начала курса Стоимость обучения Длительность обучения Формат обучения
MLOPS
23 июня 2025
01 сентября 2025
 54 000 руб. 24 ак.часов Дистанционный

О продукте

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 (Development) и операции эксплуатационного сопровождения (Operations), в т.ч. интеграцию, тестирование, выпуск, развертывание и управление инфраструктурой.

MLOps расширяет методологию CRISP-DM с помощью Agile-подхода и технических инструментов автоматизированного выполнения операций с данными, ML-моделями, кодом и окружением. К таким средствам относятся рассматриваемые в нашем курсе Git, MlFlow, DVC. MLOps позволит избежать распространенных ошибок и проблем, с которыми сталкиваются Data Scientist’ы, работающие по классическим фазам CRISP-DM. Организационные приемы MLOps должны быть независимыми от языка, фреймворка, платформы и инфраструктуры.

MLOps поможет улучшить следующие аспекты ML-проектов:

  • унифицировать цикл выпуска моделей машинного обучения и созданных на их основе программных продуктов;
  • автоматизировать тестирование артефактов Machine Learning, таких как проверка данных, тестирование самой ML-модели и ее интеграции в production-решение;
  • внедрить гибкие принципы в проекты машинного обучения; поддерживать модели машинного обучения и наборы данных для их в системах CI/CD/CT;
  • сократить технический долг по ML-моделям.

Аудитория

  • Python-разработчики,
  • Data Scientists,
  • ML-инженеры,
  • дата-аналитики,
  • менеджеры AI-продуктов
  • руководители (тимлиды) ML-команд.

Уровень подготовки

  • Опыт программирования на Python
  • Основы анализа данных

О курсе

Курс “MLOps: Разработка и внедрение ML-решений” предназначен для специалистов, стремящихся освоить полный цикл создания машинного обучения — от сбора данных до интеграции ML-модели в эксплуатацию. Программа поможет познакомиться с популярными инструментами командной разработки: Git, MLFlow, DVC. Узнать главные архитектуры ML-решений и основы менеджмента DS-проектов*.

Продолжительность курса:

  • базовая версия: 24 академических часа, 6 дней
  • расширенная версия (включая модуль 6 по менеджменту DS-проектов): 40 академических часов, 10 дней

*В расширенную версию курса (40 ак.часов) включены основы управления DS-проектом (Часть 6).

 

Программа курса “MLOps: Разработка и внедрение ML-решений”

1. Задачи и инструменты машинного обучения

    • Постановка задач машинного обучения,
    • Современные методы и инструменты их решения;
    • Отличия от задач, для решения которых достаточно классических методов и алгоритмов (без ML)

Теоретическая часть: погружение в классические постановки задач машинного обучения, методы их решения, метрики качества для оценки точности результатов, знакомимся с инструментами
Практическая часть: освоение инструментария и настройка среды разработки, решение небольшой набор ознакомительных задач
Домашняя работа: решение задач классификации/регрессии.

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

    • подходы к прототипированию и основные требования, которым должен удовлетворять прототип;
    • этапы доработки прототипа при подготовке MVP;
    • подходы к интеграции решения в продуктивной среде;

Теоретическая часть: демонстрация процесса разработки ML-решения, от сбора данных до сериализации ML-модели.
Практическая часть: пример построения сквозного ML-решения.
Домашняя работа: построение индивидуального сквозного ML-решения.

3. MLOps. Экосистема разработки ML-продуктов

    • инструменты командной разработки ML-решений;
    • этапы доработки прототипа при подготовке MVP;
    • подходы к интеграции решения в production;

Теоретическая часть: демонстрация примеров необходимости внедрения MLOps- инструментов.
Практическая часть: использование Git, MLFlow и dvc в сквозном примере.
Домашняя работа: использование Git, MLFlow и dvc в индивидуальном сквозном ML-решении

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

    • основные типы данных и методы работы с ними;
    • подходы к поиску, хранению и обработке данных на этапах разработки ML-решений;
    • основные вопросы разметки данных и их подготовки для обучения и использования в production

 Теоретическая часть: знакомство с данными в виде таблиц, текста, картинок, аудио. Ответ на вопросы, как и чем обрабатывать и производить разметку в каждом отдельном случае.  Погружение в мир Pandas, PostgreSQL, Apache Spark, Hive для обработки и хранения данных. Взгляд на AirFlow как на инструмент для планирования и выполнения задач по обработке данных.
Практическая часть: развитие сквозного ML-решения, увеличение объема данных, переезд в БД, разметка данных, настройка AirFlow на процесс получения и подготовки данных для обучения.
Домашняя работа: развитие индивидуального сквозного ML-решения.

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

    • основные подходы по интеграции решений в production: монолит или микросервисы, высоконагруженные системы, локальный сервер или облачная платформа;
    • плюсы и минусы использования облачных сервисов на каждом этапе разработки ML-решений;
    • особенности микросервисных архитектур c использованием контейнеризации;
    • использование коробочных решений на примере TF serving;
    • интеграция решения на облачную платформу Yandex Cloud.

Теоретическая часть: знакомство с интеграцией в production. Рассмотрение различных вариантов архитектур ML-решений. Рассматриваем микросервисную архитектуры с использованием контейнеризации (Docker и K8s). Интеграция с Yandex Cloud.
Практическая часть: упаковка сквозного ML-решения в контейнер и отправка в AWS, обновление текущего решения с добавлением TF serving.
Домашняя работа: развитие индивидуального сквозного ML-решения.

6. Обзор этапов и структуры ML-проекта* (опционально)

    • демонстрация ML-проекта целиком: основные этапы и ресурсы, необходимые для реализации проекта;
    • демонстрация цикличности в жизненном цикле ML-решения;
    • мониторинг и дэшборды для поддержки и развития ML-решений.

Теоретическая часть: подведение итогов и рассмотрение на ML-проект в целом: основные составляющие успешного проекта, количество и состав команды на каждом этапе разработки ML-решения, технологии и инструменты для разработки ML-решения и управления ML-проектом. Менеджмент DS-команды.
Практическая часть: настройка DVC и MLFlow, создание репозитория в Git, разворачивание CI/CD для сквозного ML-решения.
Домашняя работа: завершение индивидуального проекта.

*Данный модуль НЕ входит в базовый курс (24 ак. часа), читается по запросу в расширенной до 40 академических часов версии курса.

Скачать программу курса «Разработка и внедрение ML решений» в формате pdf

Укажите e-mail, на который будет оправлена ссылка для скачивания файла:

Что Вы получите

Успешно окончив курс “Разработка и внедрение ML-решений” в нашем лицензированном учебном центре «Школа Больших Данных», вы получите удостоверение о повышении квалификации установленного образца.

Кто проводит курс

Ермилов Дмитрий
Академия Федеральной службы безопасности Российской Федерации (Москва, 2012)
Профессиональные компетенции:
  • Ведущий Data Scientist в ФГУП “Центр информационных технологий”, Москва
  • Руководитель программ в Университете искусственного интеллекта, Москва.
  • Кандидат наук (2017 год, Московский государственный университет им. М.В. Ломоносова, Москва)

Чтобы записаться на курс MLOPS: Разработка и внедрение ML-решений позвоните нам по телефону +7 (495) 414-11-21 или заполните форму регистрации ниже.

Я даю свое согласие на обработку персональных данных и соглашаюсь с политикой конфиденциальности.