ХАРДКОРНЫЙ MACHINE LEARNING. ОБУЧЕНИЕ У НАС =|
Не просто обучаем модели, а решаем сложные и важные для бизнеса ML-задачи.
начало обучения сразу после покупки
КОМУ ПОДОЙДЁТ
MIDDLE/SENIOR
MIDDLE/SENIOR
Пакетные предложения
от 1 до 6 блоков
от 1 до 6 блоков
записаться на курс или задать вопрос
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
НАЛОГОВЫЙ ВЫЧЕТ
Вы можете сделать налоговый вычет в размере 13% от стоимости обучения.
С подробной информацией об условиях получения налогового вычета, порядком его расчёта и списком необходимых документов можно ознакомиться на сайте ФНС.
С подробной информацией об условиях получения налогового вычета, порядком его расчёта и списком необходимых документов можно ознакомиться на сайте ФНС.
Для тех, кто уже имеет опыт работы в машинном обучении и хочет:
Научиться решать специфические и нестандартные задачи бизнеса
Найти новую работу как в России, так и за рубежом
Освоить новую область в ML под руководством ведущих специалистов
Получить повышение на текущей работе
НАУЧИТЕСЬ СТРОИТЬ ML-СЕРВИСЫ ДЛЯ РЕШЕНИЯ РЕАЛЬНЫХ ЗАДАЧ
Hard ML — это нестандартный курс по машинному обучению. Моя команда не стала ограничиваться одним лишь обучением моделей и решила охватить абсолютно все этапы работы ML-инженера. Вы научитесь самостоятельно собирать и размечать данные, строить пайплайны их поставки, деплоить приложения, настраивать мониторинги и оценивать эффективность алгоритмов.
Вы получите максимально глубокое погружение в задачи, с которыми сталкивается современный бизнес. Каждая тема курса будет рассмотрена на реальных кейсах. К концу каждого модуля у вас будет собственный ML-сервис, решающий сложную и важную задачу. Этот курс станет проверкой на прочность для любого ML-специалиста, поэтому дерзайте — я верю в вас!
Вы получите максимально глубокое погружение в задачи, с которыми сталкивается современный бизнес. Каждая тема курса будет рассмотрена на реальных кейсах. К концу каждого модуля у вас будет собственный ML-сервис, решающий сложную и важную задачу. Этот курс станет проверкой на прочность для любого ML-специалиста, поэтому дерзайте — я верю в вас!
//
Senior Principal в BP, хэдлайнер курса
ВАЛЕРИЙ БАБУШКИН
//
// Цель нашего курса — помочь опытным аналитикам расширить свои компетенции и задать правильное направление для дальнейшего развития в профессии. Полученный практический опыт позволит углубить знания в области продуктовой аналитики и научиться подбирать правильные инструменты для решения задач в самых неопределённых условиях и незнакомых отраслях. //
ВЫБИРАЙТЕ ТО, ЧТО ИНТЕРЕСНО >
РАНЖИРОВАНИЕ И МАТЧИНГ
Алгоритмы автоматического сопоставления объектов позволяют решать множество важных задач бизнеса: выявление товаров-дублей, объединение данных о покупателях в онлайне и офлайне, анализ и мониторинг цен конкурентов. Разберём различные кейсы применения систем матчинга и ранжирования, рассмотрим технические тонкости их архитектур, познакомимся с передовыми подходами к обучению моделей и реализуем свою систему поисковых подсказок.
Преподаватель:
Игорь Котенков
6 недель
Продолжительность модуля:
внутри:
10 уроков и финальный проект
Программа модуля
Обсудим постановку задачи ранжирования с точки зрения машинного обучения. Разберёмся в тонкостях матчинга и верхнеуровнево познакомимся с архитектурой решения.
Рассмотрим различные метрики ранжирования: от самых базовых до актуальных и часто используемых. Обсудим их применение в разных ситуациях, углубимся в задачу матчинга и поговорим про особенности оценки результатов.
Продолжим углубляться в тему ранжирования и рассмотрим методы обучения моделей. Узнаем, какие существуют функции потерь и в каких случаях они используются.
Перейдём к следующему этапу развития ранжирующих систем и познакомимся с популярными алгоритмами и их внутренним устройством.
Разберёмся, какие за последнее время были придуманы способы и приемы, повышающие качество и стабильность моделей. Проследим развитие идей и концепций.
С увеличением объёма данных возрастает сложность ранжирования и поиска объектов. Рассмотрим алгоритмы, позволяющие быстро и эффективно искать схожие объекты в огромной базе.
Познакомимся с языковыми моделями для извлечения информации из текстов в векторном виде для её последующей утилизации моделями. Разберём принципы работы и обучения моделей FastText, узнаем, чем они отличаются от Word2Vec, и перейдём к структурированным синтаксическим моделям — DSSM.
Продолжим знакомство с текстовыми моделями. Разберём передовые архитектуры и посмотрим, в какой задаче матчинга трансформер может «выстрелить».
Научимся выживать в ситуациях, когда данных нет, но они очень нужны. Разберём основы парсинга web-страниц и сбора сырых данных.
Познакомимся с инструментом ручной разметки данных от компании Яндекс и узнаем, какую пользу он может принести в работе.
Обсудим постановку задачи ранжирования с точки зрения машинного обучения. Разберёмся в тонкостях матчинга и верхнеуровнево познакомимся с архитектурой решения.
Рассмотрим различные метрики ранжирования: от самых базовых до актуальных и часто используемых. Обсудим их применение в разных ситуациях, углубимся в задачу матчинга и поговорим про особенности оценки результатов.
Продолжим углубляться в тему ранжирования и рассмотрим методы обучения моделей. Узнаем, какие существуют функции потерь и в каких случаях они используются.
Перейдём к следующему этапу развития ранжирующих систем и познакомимся с популярными алгоритмами и их внутренним устройством.
Разберёмся, какие за последнее время были придуманы способы и приемы, повышающие качество и стабильность моделей. Проследим развитие идей и концепций.
С увеличением объёма данных возрастает сложность ранжирования и поиска объектов. Рассмотрим алгоритмы, позволяющие быстро и эффективно искать схожие объекты в огромной базе.
Познакомимся с языковыми моделями для извлечения информации из текстов в векторном виде для её последующей утилизации моделями. Разберём принципы работы и обучения моделей FastText, узнаем, чем они отличаются от Word2Vec, и перейдём к структурированным синтаксическим моделям — DSSM.
Продолжим знакомство с текстовыми моделями. Разберём передовые архитектуры и посмотрим, в какой задаче матчинга трансформер может «выстрелить».
Научимся выживать в ситуациях, когда данных нет, но они очень нужны. Разберём основы парсинга web-страниц и сбора сырых данных.
Познакомимся с инструментом ручной разметки данных от компании Яндекс и узнаем, какую пользу он может принести в работе.
Финальный проект модуля
Используем полученные знания для разработки сервиса на основе моделей ранжирования. В качестве бонуса обсудим задачи, которые можно решить с минимальными изменениями текущего пайплайна.
инструменты:
ДИНАМИЧЕСКОЕ ЦЕНООБРАЗОВАНИЕ
Эффективность деятельности многих компаний зависит от способности устанавливать оптимальные цены на продукцию с учётом различных факторов и изменений, происходящих на рынке. Научимся создавать пайплайн динамического ценообразования с нуля для решения бизнес-задачи. Будем решать задачу динамического ценообразования через построение модели спроса/ определение эластичности/ многоруких бандитов.
Преподаватель:
Ирина Евстратенко
6 недель
Продолжительность модуля:
внутри:
9 уроков и финальный проект
Обновление
Программа модуля
- Пройдемся по основным понятиям ценообразования
- Посмотрим на примерах как работает динамическое ценообразование в разных компаниях
- Верхнеуровнево обсудим, как можно решить бизнес задачу при помощи подходов динамического ценообразования
- Рассмотрим какие метрики используются при оценке алгоритмов динамического ценообразования в онлайне и офлайне
- Построим Backtest для измерения качества алгоритмов в офлайне
- Научимся строить модель спроса разными способами от самого простого - аналического - до самого сложного - трансформера
- Применим знания построения модели спроса в подходе к решению задачи динамического ценообразования
- Научимся удовлетворять запрос бизнеса "максимизировать одну бизнес метрику не допускать просадку другой"
- Научимся рассчитывать эластичности разными способами
- Применим знания расчета эластичности к решению задачи динамического ценообразования
- Обсудим теорию и разные стратегии многоруких бандитов
- Применим многорукие бандиты к решению задачи динамического ценообразования
- Научимся оценивать алгоритмы в онлайне с помощью АБ тестирования и Switchback
Финальный проект модуля, в котором предстоит построить живую систему динамического ценообразования, учитывающую фидбек от пользователя
Подведем итоги обучения
- Пройдемся по основным понятиям ценообразования
- Посмотрим на примерах как работает динамическое ценообразование в разных компаниях
- Верхнеуровнево обсудим, как можно решить бизнес задачу при помощи подходов динамического ценообразования
- Рассмотрим какие метрики используются при оценке алгоритмов динамического ценообразования в онлайне и офлайне
- Построим Backtest для измерения качества алгоритмов в офлайне
- Научимся строить модель спроса разными способами от самого простого - аналического - до самого сложного - трансформера
- Применим знания построения модели спроса в подходе к решению задачи динамического ценообразования
- Научимся удовлетворять запрос бизнеса "максимизировать одну бизнес метрику не допускать просадку другой"
- Научимся рассчитывать эластичности разными способами
- Применим знания расчета эластичности к решению задачи динамического ценообразования
- Обсудим теорию и разные стратегии многоруких бандитов
- Применим многорукие бандиты к решению задачи динамического ценообразования
- Научимся оценивать алгоритмы в онлайне с помощью АБ тестирования и Switchback
Финальный проект модуля, в котором предстоит построить живую систему динамического ценообразования, учитывающую фидбек от пользователя
Подведем итоги обучения
инструменты:
UPLIFT-МОДЕЛИРОВАНИЕ
Сегментация потребителей по чистому эффекту от маркетингового воздействия позволяет бизнесу сосредоточить рекламный бюджет на клиентах, готовых выполнить целевое действие только при наличии коммуникации. Научимся оценивать величину этого эффекта с помощью uplift-моделей, разберём интересные кейсы из практики, спроектируем библиотеку факторов и построим свой алгоритм для поиска оптимальной аудитории.
Преподаватель:
Ваге Брсоян
6 недель
Продолжительность модуля:
внутри:
5 уроков и финальный проект
Программа модуля
Обоснуем необходимость использования uplift и научимся правильно ставить задачу для эффективного моделирования. Рассмотрим популярные решения и метрики качества uplift-моделей.
Поговорим о том, как проводить разведочный анализ данных (EDA) при uplift-моделировании. Разберём такие подходы к построению uplift-деревьев, как meta-learners и uplift trees.
Узнаем, что такое декомпозиция бизнес-эффекта (expected value decomposition) и как с её помощью продумывать изменение интересующей метрики и схемы прогноза. Рассмотрим сложный кейс из офлайн-ритейла.
Для построения любой модели необходимы данные: например, важно понимать, откуда к нам пришёл тот или иной клиент и какие у него предпочтения. Узнаем, как проводить эксперименты с разными наборами предикторов и как понять, какой набор является оптимальным для решения задачи. Убедимся, что оформление кода для расчёта предикторов в библиотеку — это самый быстрый путь вывода модели в продакшн.
Собственными руками построим приложение с применением uplift. Сначала продумаем последовательность действий (pipeline) для подготовки данных и применения модели и организуем репозитории с исходным кодом, а затем настроим логирование и уведомления. Также обсудим механику сохранения промежуточных результатов и подъёма приложения при его падении.
Обоснуем необходимость использования uplift и научимся правильно ставить задачу для эффективного моделирования. Рассмотрим популярные решения и метрики качества uplift-моделей.
Поговорим о том, как проводить разведочный анализ данных (EDA) при uplift-моделировании. Разберём такие подходы к построению uplift-деревьев, как meta-learners и uplift trees.
Узнаем, что такое декомпозиция бизнес-эффекта (expected value decomposition) и как с её помощью продумывать изменение интересующей метрики и схемы прогноза. Рассмотрим сложный кейс из офлайн-ритейла.
Для построения любой модели необходимы данные: например, важно понимать, откуда к нам пришёл тот или иной клиент и какие у него предпочтения. Узнаем, как проводить эксперименты с разными наборами предикторов и как понять, какой набор является оптимальным для решения задачи. Убедимся, что оформление кода для расчёта предикторов в библиотеку — это самый быстрый путь вывода модели в продакшн.
Собственными руками построим приложение с применением uplift. Сначала продумаем последовательность действий (pipeline) для подготовки данных и применения модели и организуем репозитории с исходным кодом, а затем настроим логирование и уведомления. Также обсудим механику сохранения промежуточных результатов и подъёма приложения при его падении.
Финальный проект модуля
Напишем свой веб-сервис для запуска uplift-модели и организуем маркетинговую кампанию на основе транзакционных данных клиентов.
инструменты:
ПРОДВИНУТОЕ A/B-ТЕСТИРОВАНИЕ
Важными задачами в A/B-тестировании являются ускорение тестов и повышение их чувствительности. Это позволяет компаниям быстрее внедрять позитивные изменения и вовремя отказываться от негативных. Научимся применять современные методы повышения чувствительности A/B-тестов, рассмотрим полный пайплайн тестирования и реализуем свой сервис для оценки экспериментов.
Преподаватель:
Александр Сахнов
6 недель
Продолжительность модуля:
внутри:
10 уроков и финальный проект
Программа модуля
Вспомним основы теории вероятностей и математической статистики, которые понадобятся в курсе. Научимся строить точечные оценки и доверительные интервалы.
Поговорим о том, что такое A/B-тестирование и чем оно отличается от других способов принятия решений. Узнаем, какие статистические критерии применяются в A/B-тестировании и как построить доверительный интервал с помощью метода Bootstrap.
Рассмотрим различные метрики А/B-тестирования и их классификацию. Выделим среди них те, которые используются чаще всего. Разберём наиболее удачные комбинации метрик.
Научимся рассчитывать минимальный детектируемый эффект и подбирать необходимый размер групп для проведения эксперимента. Познакомимся с идеями повышения чувствительности тестов.
Обсудим, в чём опасность проведения экспериментов на малом количестве данных. Узнаем, как дополнительные знания о наблюдаемых объектах помогают снижать дисперсию данных. Научимся сокращать дисперсию с помощью стратификации.
Проанализируем общие черты гильбертова пространства и CUPED. Научимся снижать дисперсию данных и повышать чувствительность теста за счёт использования исторических данных.
Познакомимся с особенностями тестирования ratio-метрик. Рассмотрим общие черты многопараметрического дельта-метода и линеаризации. Поговорим о том, как они связаны между собой.
Рассмотрим ситуацию, когда два улучшения могут привести к ухудшению ситуации, и научимся справляться с этой проблемой: узнаем, как организовать параллельное проведение большого количества экспериментов и как проводить эксперименты с несколькими вариантами изменений.
Поговорим о том, что происходит с корректностью теста, если оценивать эксперименты до их окончания. Научимся динамически определять момент завершения пилота.
Узнаем, как выглядит полный пайплайн A/B-тестирования, и рассмотрим применение ML-алгоритмов для повышения чувствительности тестов.
Вспомним основы теории вероятностей и математической статистики, которые понадобятся в курсе. Научимся строить точечные оценки и доверительные интервалы.
Поговорим о том, что такое A/B-тестирование и чем оно отличается от других способов принятия решений. Узнаем, какие статистические критерии применяются в A/B-тестировании и как построить доверительный интервал с помощью метода Bootstrap.
Рассмотрим различные метрики А/B-тестирования и их классификацию. Выделим среди них те, которые используются чаще всего. Разберём наиболее удачные комбинации метрик.
Научимся рассчитывать минимальный детектируемый эффект и подбирать необходимый размер групп для проведения эксперимента. Познакомимся с идеями повышения чувствительности тестов.
Обсудим, в чём опасность проведения экспериментов на малом количестве данных. Узнаем, как дополнительные знания о наблюдаемых объектах помогают снижать дисперсию данных. Научимся сокращать дисперсию с помощью стратификации.
Проанализируем общие черты гильбертова пространства и CUPED. Научимся снижать дисперсию данных и повышать чувствительность теста за счёт использования исторических данных.
Познакомимся с особенностями тестирования ratio-метрик. Рассмотрим общие черты многопараметрического дельта-метода и линеаризации. Поговорим о том, как они связаны между собой.
Рассмотрим ситуацию, когда два улучшения могут привести к ухудшению ситуации, и научимся справляться с этой проблемой: узнаем, как организовать параллельное проведение большого количества экспериментов и как проводить эксперименты с несколькими вариантами изменений.
Поговорим о том, что происходит с корректностью теста, если оценивать эксперименты до их окончания. Научимся динамически определять момент завершения пилота.
Узнаем, как выглядит полный пайплайн A/B-тестирования, и рассмотрим применение ML-алгоритмов для повышения чувствительности тестов.
Финальный проект модуля
Применим все полученные знания на практике и реализуем собственный веб-сервис для оценки большого числа экспериментов.
инструменты:
Программа блока
РЕКОМЕНДАТЕЛЬНЫЕ СИСТЕМЫ
Сегодня рекомендательные системы встречаются во многих приложениях, где есть поиск и персонализация. Мы разберёмся, как построить свою рекомендательную систему, используя все возможные знания о пользователях и объектах рекомендации. На практике научимся использовать алгоритмы контентной фильтрации, матричной факторизации, обучим глубокие сети и модели ранжирования. А потом — рассмотрим проблемы, которые могут возникать в проде.
Преподаватель:
Алексей Лопатин
Продолжительность модуля:
6 недель
внутри:
10 уроков и финальный проект
Новый блок
Если вы проходили обучение на курсе HardML, для вас будет действовать специальное предложение!
Программа блока
Рассмотрим, кем и для чего применяются рекомендательные системы. Разберёмся, что такое явная и неявная реакция. Узнаем, зачем нужна двухуровневая система сбора кандидатов и ранжирования
Построим самые базовые алгоритмы, которые будут выступать в качестве бейзлайна. Также рассмотрим работу рекомендаций на основе содержания рекомендуемых предметов.
Разберёмся, как применять информацию о предпочтениях пользователей в сервисе для построения рекомендаций. Затем построим простую систему, используя классический KNN алгоритм и оценим качество на офлайн метриках
Разберём задачу факторизации матрицы рейтингов от svd разложения до более эффективной als архитектуры и функции ошибок bpr. Узнаем, что такое факторизационные машины и как их применять
Разберёмся, как использовать последовательность взаимодействий пользователя для построения рекомендации следующего предмета. Научимся применить W2V подход в рекомендательных системах
Рассмотрим применение глубоких архитектур для рекомендательных систем, их плюсы и минусы. Также разберём подход ранжирования с помощью глубоких сетей и сгенерированных признаков
Рассмотрим задачу рекомендаций в парадигме графовых нейросетей, разберем GCN-подобные архитектуры, их плюсы и минусы
Узнаем, как применять простой алгоритм бандитов для холодного старта. Также рассмотрим другие алгоритмы из области обучения с подкреплением и обсудим, в каких задачах он улучшает качество рекомендаций
Вспомним задачу ранжирования, соберём датасет и сгенерируем признаки, по которым можно обучить модель для задачи ранжирования
Рассмотрим специфичные метрики рекомендаций, которые могут сильно влиять на опыт пользователя при взаимодействии с сервисом. Обсудим инфраструктуру для построения эффективной системы
Рассмотрим, кем и для чего применяются рекомендательные системы. Разберёмся, что такое явная и неявная реакция. Узнаем, зачем нужна двухуровневая система сбора кандидатов и ранжирования
Построим самые базовые алгоритмы, которые будут выступать в качестве бейзлайна. Также рассмотрим работу рекомендаций на основе содержания рекомендуемых предметов.
Разберёмся, как применять информацию о предпочтениях пользователей в сервисе для построения рекомендаций. Затем построим простую систему, используя классический KNN алгоритм и оценим качество на офлайн метриках
Разберём задачу факторизации матрицы рейтингов от svd разложения до более эффективной als архитектуры и функции ошибок bpr. Узнаем, что такое факторизационные машины и как их применять
Разберёмся, как использовать последовательность взаимодействий пользователя для построения рекомендации следующего предмета. Научимся применить W2V подход в рекомендательных системах
Рассмотрим применение глубоких архитектур для рекомендательных систем, их плюсы и минусы. Также разберём подход ранжирования с помощью глубоких сетей и сгенерированных признаков
Рассмотрим задачу рекомендаций в парадигме графовых нейросетей, разберём GCN-подобные архитектуры, их плюсы и минусы
Узнаем, как применять простой алгоритм бандитов для холодного старта. Также рассмотрим другие алгоритмы из области обучения с подкреплением и обсудим, в каких задачах он улучшает качество рекомендаций
Вспомним задачу ранжирования, соберём датасет и сгенерируем признаки, по которым можно обучить модель для задачи ранжирования
Рассмотрим специфичные метрики рекомендаций, которые могут сильно влиять на опыт пользователя при взаимодействии с сервисом. Обсудим инфраструктуру для построения эффективной системы
Финальный проект
Используем полученные знания для разработки небольшого сервиса на основе рекомендательной системы. В качестве бонуса, обсудим, как добавить механизм АБ-тестирования
MLOps
Жизненный цикл разработки модели включает в себя несколько этапов: постановка задачи, разработка модели и операции с ней. Работа ML Ops-инженера сосредоточена вокруг второго и третьего этапа.
На втором этапе дата сайентисты и ML-инженеры занимаются сбором данных, обучением и тюнингом моделей, генерацией фичей и валидацией. На третьем этапе главные задачи это деплой, мониторинг и обновление моделей.
На каждом из этих этапов возникают сложности и ошибки, связанные с человеческим фактором, будь то ушедший в отпуск специалист или потерянный скрипт при деплое. Чтобы не терять деньги и пользователей, бизнес использует автоматизацию процессов. Так, ML Ops охватывает разработку и операционные задачи, включая интеграцию моделей в систему ПО.
На курсе освоите практики и инструменты MLOps, научитесь внедрять и поддерживать модели машинного обучения в производственной среде, обеспечивая их воспроизводимость, масштабируемость и удобство сопровождения.
На втором этапе дата сайентисты и ML-инженеры занимаются сбором данных, обучением и тюнингом моделей, генерацией фичей и валидацией. На третьем этапе главные задачи это деплой, мониторинг и обновление моделей.
На каждом из этих этапов возникают сложности и ошибки, связанные с человеческим фактором, будь то ушедший в отпуск специалист или потерянный скрипт при деплое. Чтобы не терять деньги и пользователей, бизнес использует автоматизацию процессов. Так, ML Ops охватывает разработку и операционные задачи, включая интеграцию моделей в систему ПО.
На курсе освоите практики и инструменты MLOps, научитесь внедрять и поддерживать модели машинного обучения в производственной среде, обеспечивая их воспроизводимость, масштабируемость и удобство сопровождения.
6 недель
Продолжительность модуля:
внутри:
11 уроков и финальный проект
Преподаватели:
Александр Гущин, Михаил Свешников
Программа блока
Поймем важность воспроизводимости в машинном обучении и познакомимся с инструментами для её обеспечения. Рассмотрим основные этапы жизненного цикла моделей. Ответим на вопросы:
«Как mlops встраивается в работу ML/DS команд и разработки?», «Когда вашей компании уже нужен MLOps, а когда еще нет?»
«Как mlops встраивается в работу ML/DS команд и разработки?», «Когда вашей компании уже нужен MLOps, а когда еще нет?»
Изучим инструменты для контроля воспроизводимости.
Поймем процессы управления данными, включая их лейблинг, версионирование и обеспечение качества. Рассмотрим особенности работы с данными и Feature Store в BigData системах
Поймем что такое Feature Store, когда и зачем он нужен, как выбрать между существующими решениями.
Поймем процессы управления данными, включая их лейблинг, версионирование и обеспечение качества. Рассмотрим особенности работы с данными и Feature Store в BigData системах
Поймем что такое Feature Store, когда и зачем он нужен, как выбрать между существующими решениями.
Научимся организовывать трекинг кода и результатов экспериментов.
Получим навыки управления версиями моделей. Куда они сохраняются и как они отправляются в прод. Узнаем различия между оффлайн и онлайн моделями, а также научимся планировать задачи для их обучения и внедрения. Рассмотрим особенности обучения моделей в BigData системах
Получим навыки управления версиями моделей. Куда они сохраняются и как они отправляются в прод. Узнаем различия между оффлайн и онлайн моделями, а также научимся планировать задачи для их обучения и внедрения. Рассмотрим особенности обучения моделей в BigData системах
Узнаем ключевые понятия, технологии и подходы, связанные с деплоем. Узнаем, как организовывать батч скоринг, взаимодействие с ними через API и стриминг и как интегрировать модели в приложения. Рассмотрим специфику деплоя ML моделей (в сравнении с обычными сервисами)
Научимся выбирать между монолитной архитектурой и микросервисами, понимать как организовать взаимодействие между сервисами.
Научимся заворачивать модели в REST API сервисы, познакомимся с основными фреймворками которые в этом помогут. Разберемся, как работает GIL и какие ограничения он накладывает на сервинг моделей. Задеплоим модель самостоятельно (без команды) в более простых вариантах
Узнаем зачем использовать контейнеры и научимся заворачивать свой ML сервис в контейнер.
Научимся автоматизировать процесс обучения и деплоя моделей, узнаем как использовать оркестраторы (Airflow/prefect) и научимся использовать CI/CD в машинном обучении. Научимся управлять шедулингом в CI/CD и увидим, как это делать в кроне, Airflow и Databricks. Узнаем зачем нужен Kubeflow и когда нужно его использовать. Научимся версионировать пайплайны. Узнаем ключевые особенности оркестрации, переобучения и передеплоя ML моделей.
Узнаем преимущества и недостатки запуска обучения на своей инфраструктуре и в облаках. Узнаем про популярные mlops платформы. Поймем как выбирать подходящую облачную платформу и использовать ее инструменты для ML с учетом имеющихся ограничений.
Научимся мониторить работу моделей (научимся работать с Prometheus, Grafana), качество данных поступающих в сервис, узнаем как реагировать на поломки сервиса и как предусмотреть запасные заглушки.
Знание, какие тесты бывают и умение их написать
Знание, какие тесты бывают и умение их написать
Сделаем Ci/CD пайплайн, который задетектит обновление данных и передеплоит модель. Мы обновляем данные несколько раз и шлем прогнозы в сервис, проверяя, что модель в нем обновилась.
Подведем итоги блока. Поговорим про принципы Data Flywheel. Анализ ошибок и доработка моделей. Ответим на вопросы: «Как доказать начальнику и команде что MLOps нужен?», «Как менять процессы в команде, чтобы ДС начали пользоваться вашими MLOps тулзами?»
Поймем важность воспроизводимости в машинном обучении и познакомимся с инструментами для её обеспечения. Рассмотрим основные этапы жизненного цикла моделей. Ответим на вопросы:
«Как mlops встраивается в работу ML/DS команд и разработки?», «Когда вашей компании уже нужен MLOps, а когда еще нет?»
«Как mlops встраивается в работу ML/DS команд и разработки?», «Когда вашей компании уже нужен MLOps, а когда еще нет?»
Изучим инструменты для контроля воспроизводимости.
Поймем процессы управления данными, включая их лейблинг, версионирование и обеспечение качества. Рассмотрим особенности работы с данными и Feature Store в BigData системах
Поймем что такое Feature Store, когда и зачем он нужен, как выбрать между существующими решениями.
Поймем процессы управления данными, включая их лейблинг, версионирование и обеспечение качества. Рассмотрим особенности работы с данными и Feature Store в BigData системах
Поймем что такое Feature Store, когда и зачем он нужен, как выбрать между существующими решениями.
Научимся организовывать трекинг кода и результатов экспериментов.
Получим навыки управления версиями моделей. Куда они сохраняются и как они отправляются в прод. Узнаем различия между оффлайн и онлайн моделями, а также научимся планировать задачи для их обучения и внедрения. Рассмотрим особенности обучения моделей в BigData системах
Получим навыки управления версиями моделей. Куда они сохраняются и как они отправляются в прод. Узнаем различия между оффлайн и онлайн моделями, а также научимся планировать задачи для их обучения и внедрения. Рассмотрим особенности обучения моделей в BigData системах
Узнаем ключевые понятия, технологии и подходы, связанные с деплоем. Узнаем, как организовывать батч скоринг, взаимодействие с ними через API и стриминг и как интегрировать модели в приложения. Рассмотрим специфику деплоя ML моделей (в сравнении с обычными сервисами)
Научимся выбирать между монолитной архитектурой и микросервисами, понимать как организовать взаимодействие между сервисами.
Научимся заворачивать модели в REST API сервисы, познакомимся с основными фреймворками которые в этом помогут. Разберемся, как работает GIL и какие ограничения он накладывает на сервинг моделей. Задеплоим модель самостоятельно (без команды) в более простых вариантах
Узнаем зачем использовать контейнеры и научимся заворачивать свой ML сервис в контейнер.
Научимся автоматизировать процесс обучения и деплоя моделей, узнаем как использовать оркестраторы (Airflow/prefect) и научимся использовать CI/CD в машинном обучении. Научимся управлять шедулингом в CI/CD и увидим, как это делать в кроне, Airflow и Databricks. Узнаем зачем нужен Kubeflow и когда нужно его использовать. Научимся версионировать пайплайны. Узнаем ключевые особенности оркестрации, переобучения и передеплоя ML моделей.
Узнаем преимущества и недостатки запуска обучения на своей инфраструктуре и в облаках. Узнаем про популярные mlops платформы. Поймем как выбирать подходящую облачную платформу и использовать ее инструменты для ML с учетом имеющихся ограничений.
Научимся мониторить работу моделей (научимся работать с Prometheus, Grafana), качество данных поступающих в сервис, узнаем как реагировать на поломки сервиса и как предусмотреть запасные заглушки.
Знание, какие тесты бывают и умение их написать
Знание, какие тесты бывают и умение их написать
Сделаем Ci/CD пайплайн, который задетектит обновление данных и передеплоит модель. Мы обновляем данные несколько раз и шлем прогнозы в сервис, проверяя, что модель в нем обновилась.
Подведем итоги блока. Поговорим про принципы Data Flywheel. Анализ ошибок и доработка моделей. Ответим на вопросы: «Как доказать начальнику и команде что MLOps нужен?», «Как менять процессы в команде, чтобы ДС начали пользоваться вашими MLOps тулзами?»
РЕКОМЕНДУЕМЫЙ УРОВЕНЬ:
Отличается для каждого блока
PYTHON
— Знание синтаксиса языка
— Понимание базовых структур данных (список, словарь, кортеж)
— Умение отлаживать код и писать тесты
— Знание основ ООП (класс, объект)
— Владение библиотеками Pandas, Scikit-learn, PyTorch
ТЕОРИЯ
— Знание основ теории вероятностей и математической статистики
ИНФРАСТРУКТУРА
— Базовые знания Bash, Docker, Git
— Знание классических ML-алгоритмов
— Базовые знания в глубоких нейросетях
— Понимание клиент-серверных запросов
— Минимальный опыт работы с веб-фреймворками (например, Flask)
Демоверсия
Не уверены, подходит ли вам курс?
Пройдите демоверсию, в которой вас ждет:
Пройдите демоверсию, в которой вас ждет:
0 ₽
+ Разбор реального рабочего проекта с Валерием Бабушкиным
Доступ к демоверсии откроется после регистрации на образовательной платформе.
+ Подробное описание каждого блока
+ Тестирование для оценки знаний (по желанию)
+ Ответы на самые популярные вопросы о процессе обучения
NEW
Регистрация на образовательной платформе
Для доступа к демоверсии вам необходимо зарегистрироваться на нашей образовательной платформе, указав ваши имя, фамилию и электронную почту.
Вы сможете продолжить использовать свою учётную запись для обучения на полной версии курса или других наших программах.
Если у вас уже есть учётная запись, можно использовать её.
Вы сможете продолжить использовать свою учётную запись для обучения на полной версии курса или других наших программах.
Если у вас уже есть учётная запись, можно использовать её.
ПОДРОБНЕЕ О КАЖДОМ БЛОКЕ
Валерий Бабушкин расскажет о курсе и его содержании. Вы узнаете, в чём ценность каждого блока, какие задачи предстоит решать и сколько времени понадобится на освоение программы.
НЕ УВЕРЕНЫ, ХВАТИТ ЛИ ЗНАНИЙ ДЛЯ КУРСА?
Оставьте заявку, мы свяжется с вами и поможем подобрать курс, который будет полностью соответствовать вашим целям
записаться на курс или задать вопрос
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.