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 | 21 апреля 2025 16 июня 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.
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
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.