 |
 |
 | (495) 925-0049, ITShop интернет-магазин 229-0436, Учебный Центр 925-0049 |
 |
 |
 |
|||||||
|
Вход
Регистрация |
|||||||||
| |||||||||||||||||||||||||||||||||
|
|
|
|
||||||||||||||||||||||||||||||
| |||||||||||||||||||||||||||||||||
|
Курс "Разработка и внедрение ML-решений"
Код: MLOPS
Продолжительность - 3 дня
Курс «Разработка и внедрение ML-решений» изучает подходы к разработке ML-решений + средства их реализации и внедрения в production. Вы пройдете все шаги создания ML-продукта от сбора данных до интеграции ML-модели в эксплуатацию. Познакомитесь с популярными инструментами командной разработки: Git, MLFlow, DVC. Узнаете главные архитектуры ML-решений и основы менеджмента DS-проектов. 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:
Цель курса:
Аудитория: Python-разработчики, дата-аналитики, инженеры данных, менеджеры AI-продуктов и руководители (тимлиды) ML-команд. Предварительный уровень подготовки:
Программа курсаЧасть 1. Задачи и инструменты машинного обученияЦель:
Теоретическая часть: погружение в классические постановки задач машинного обучения, методы их решения, метрики качества для оценки точности результатов, знакомимся с инструментами Практическая часть: освоение инструментарий и настраиваем среды разработки, решаем небольшой набор ознакомительных задач Домашняя работа: решение задачи классификации/регрессии. Часть 2. Основные этапы разработки ML-решений: от прототипа до подготовки к productionЦель:
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. Часть 3. MLOps. Экосистема разработки ML-продуктовЦель:
Теоретическая часть: демонстрация примеров необходимости внедрения MLOps- инструментов. Практическая часть: используем Git, MLFlow и dvc в сквозном примере Домашняя работа: используем Git, MLFlow и dvc в индивидуальном сквозном ML-решении Часть 4. Подходы к работе с данными на каждом этапе разработки ML-решенийЦель:
Теоретическая часть: знакомимся с данными в виде таблиц, текста, картинок, аудио. Отвечаем на вопросы как и чем обрабатывать и производить разметку в каждом отдельном случае. Погружаемся в мир Pandas, PostgreSQL, Apache Spark, Hive для обработки и хранения данных. Смотрим на AirFlow как на инструмент для планирования и выполнения задач по обработке данных. Практическая часть: продолжаем развитие сквозного ML-решения, увеличиваем объем данных, переезжаем в БД, размечаем данные, настраиваем AirFlow на процесс получения и подготовки данных для обучения Домашняя работа : развиваем индивидуальное сквозное ML-решение. Часть 5. Обзор архитектурных решений для интеграции в production. Использование облачных сервисовЦель:
Теоретическая часть: знакомимся с интеграцией в production. Рассмотрим различные варианты архитектур ML-решений. Рассматриваем микросервисную архитектуры с использованием контейнеризации (Docker и K8s). Интеграция с Amazon Web Services. Практическая часть: упаковываем сквозное ML-решение в контейнер и отправляем в AWS, обновляем текущее решение с добавлением TF serving. Домашняя работа : развиваем индивидуальное сквозное ML-решение. Часть 6. Обзор этапов и структуры ML-проекта* (входит в расширенную версию курса - 40 ак.часов)Цель:
Теоретическая часть: подвести итоги и взглянуть 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: настраиваем DVC и MLFlow, создаем репозиторий в Git, разворачиваем CI/CD для сквозного ML-решения Домашняя работа : завершаем индивидуальный проект. Программа читается совместно с Школа Больших Данных. В конце обучения на курсе проводится итоговая аттестация в виде теста или на основании оценок за практические работы, выполненных в процессе обучения. В современном мире сложно обойтись без информационных технологий и их производных - компьютеров, мобильных телефонов, интернета и т.д., особенно в крупных компаниях и государственных организациях, работающих с большим количеством людей, а не только с парой VIP-клиентов, как это может быть в случае небольшой компании. А там, где есть большое количество контрагентов, заявителей и т.д. - не обойтись без баз данных, необходимых для обработки информации. Естественно, что времена гроссбухов и карточек, памятных многим по библиотекам, давно прошли, сегодня используются персональные компьютеры и электронные базы данных. Сегодня невозможно представить работу крупнейших компаний, банков или государственных организаций без использования баз данных и средств Business Intelligence. Базы данных позволяют нам хранить и получать доступ к большим объемам информации, а система управления базами данных (СУБД) — осуществлять менеджмент доступных хранилищ информации. В Учебном центре « Интерфейс» Вы научитесь эффективно использовать системы управления базами данных: быстро находить нужную информацию, ориентироваться в схеме базы данных, создавать запросы, осуществлять разработку и создание баз данных. Обучение позволит Вам не только получить знания и навыки, но и подтвердить их, сдав соответствующие экзамены на статус сертифицированного специалиста . Опытные специалисты по СУБД Microsoft SQL Server или Oracle могут быть заинтересованы в изучении систем бизнес-аналитики. Это задачи достаточно сложные, использующие громоздкий математический аппарат, но они позволяют не только анализировать происходящие процессы, но и делать прогнозы на будущее, что востребовано крупными компаниями. Именно поэтому специалисты по бизнес-аналитике востребованы на рынке, а уровень оплаты их труда весьма и весьма достойный, хотя и квалифицированным специалистам по базам данных, администраторам и разработчикам, жаловаться на низкий уровень дохода тоже не приходится. Приходите к нам на курсы и получайте востребованную и высокооплачиваемую профессию. Мы ждем Вас! В конце обучения на курсах проводится итоговая аттестация в виде теста или путём выставления оценки преподавателем за весь курс обучения на Учебный центр "Интерфейс" оказывает консалтинговые услуги по построению моделей бизнес-процессов, проектированию информационных систем, разработке структуры баз данных и т.д.
|
|
||||||||||||||||||||||||||||||||||||
