Складчина: MLOps для разработки и мониторинга моделей [Яндекс.Практикум] [Катерина Цаплина, Антон Алексеев]
Кому подойдёт курс:
- Специалистам по Data Science и Machine Learning
- Разберётесь в ключевых инструментах MLOps, чтобы эффективно работать с ML‑моделями на всех этапах — от экспериментов до внедрения
- ML-инженерам и специалистам по DevOps
- Научитесь развёртывать ML‑модели и обеспечивать их стабильную работу: автоматическое развёртывание, мониторинг, обновление версий в продакшне
- Инженерам данных
- Погрузитесь в новую предметную область и выйдете за рамки классических ETL‑процессов: научитесь организовывать ML‑пайплайны и обеспечивать работу моделей
На старте нужны базовые технические знания:
- SQL на уровне аналитических запросов и записи в БД
- Объектно ориентированное программирование на Python
- Python для решения ML-задач
- Написание веб‑сервисов на Flask, FastAPI или Django
- Git на уровне открытого и замёрдженного PR
- Пайплайны по обработке данных в Airflow или Prefect
Чему научитесь за 5 месяцев:
- Оценивать зрелость проекта и разрабатывать под его задачи MLOps‑архитектуру
- Автоматизировать жизненный цикл ML-модели — от обработки данных до мониторинга
- Развёртывать ML-модели в продакшне и оптимизировать их
- Настраивать CI/CD‑процессы для автоматизации обновлений ML‑моделей
- Обеспечивать непрерывный мониторинг метрик, сбоев, логов и реагирование на них
- Работать в облачной среде Yandex Cloud и управлять ML‑инфраструктурой
Программа:
- Введение в MLOps
- Практики разработки
- Контейнеризация и облачное окружение
- Отслеживание экспериментов,управление ML‑моделями и их хранение
- Качество и версионирование данных
- DevOps-и CI/CD‑практики
- Оркестрация и ML‑пайплайны
- Развёртывание ML-моделей
- Мониторинг и обратная связь
Спойлер: Подробно Введение в MLOps
- Роль MLOps в жизненном цикле ML‑проекта
- Зрелость MLOpsи платформенный подход
- Профессия MLOps‑инженера и карта развития
Практики разработки
- Управление зависимостями
- Качество кода
- Промышленные ML‑пайплайны
- Тестирование ML
Контейнеризация и облачное окружение
- Знакомство с Docker
- Оркестрация сервисов
Отслеживание экспериментов,управление ML‑моделями и их хранение
- ML flow
- ClearML
- Оркестрирование ресурсами
- ClearML
Качество и версионирование данных
- В ведение в data engineering для ML
- Проблемы качества данных и метрики
- Data Drift и Schema Drift
DevOps-и CI/CD‑практики
- Философия DevOps и MLOps
- Инфраструктура для MLOps
- Непрерывная интеграция — CI
- Непрерывное развёртывание — CD
Оркестрация и ML‑пайплайны
- Батч-оркестрация с Airflow
- Оркестрация ML‑экспериментов в ClearML
- Развёртывание в Kubernetes с помощью Helm
- Распределённые вычисления и продакшн‑деплой
- Сравнительный анализ инструментов
Развёртывание ML-моделей
- Офлайн‑инференс в ClearML
- Онлайн‑инференс в Kubernetes
- Оркестрация инференса с Kserve
- Оптимизация моделей
Мониторинг и обратная связь
- Инфраструктурный мониторинг
- Централизованное логирование и алертинг
- Мониторинг качества ML‑моделей
- Мониторинг в CI/CD и автоматизация реагирования
Цена 122000 руб.