Рассрочка
MLOps
Покажем на практике как деплоить модели в production
26 июня
Advanced
5 месяцев
Онлайн
Вт/Чт 20:00 Мск
Для кого этот курс?
MLOps — это набор практик, которым должны обладать различные специалисты. Поэтому знание MLOps для каждой роли открывает свои возможности в команде.
- Для специалистов по Data Science: если вы уже умеете создавать модели, то научитесь деплоить их в прод.
- Для ML - инженеров: сможете унифицировать управление несколькими моделями.
- Для Data - инженеров: вам откроется остальная часть data-driven конвейеров: валидация, обучение, вывод ML моделей в прод и мониторинг.
- Для Аналитиков данных: сможете выйти за рамки графиков и дашбордов и запустить свои модели в онлайне.
- Для Software - инженеров: будете понимать, что нужно делать, если на вашем продукте планируют внедрять ML.
Необходимые знания
- построение веб-сервисов на Python
- опыт разработки на Python
- опыт использования Python для решения задач ML
- Linux
- Git
Подходит ли эта программа именно вам?
Что вам даст этот курс?
Данный курс даст вам понимание того, как устроен процесс внедрения ML-решения от идеи до вывода его в прод. Преподаватели поделятся лучшими практиками и инструментами MLOps, которые устоялись в современной индустрии.
Примеры практических задач, рассматриваемых на курсе:
- Как правильно организовать хранение исходников
- Где и как хранить данные
- Как сделать CI/CD
- Как регулярно обновлять данные и переобучать модели
- Как управлять инфраструктурой в облаках
- Как упаковывать ML модели в микросервисы
- Как разворачивать k8s
- Как настраивать мониторинг и алертинг
Примеры тем итоговых проектов выпускников курса:
- Инфраструктура для алгоритмической торговли на фондовом рынке с использованием машинного обучения;
- Автоматизация обучения генеративной модели на публичном датасете при обновлении данных;
- Создание универсального набора инструментов для разворачивания ML-модели;
- Контейнеризированный инференс модели компьютерного зрения для задачи классификации изображений.
Почему стоит освоить?
Владение навыками MLOps повышает стоимость специалиста и его востребованность на рынке труда
Что нового в запуске MLOps-2024-11?
Процесс обучения
Вебинары проводятся 2 раза в неделю по 2 ак. часа и сохраняются в записи в личном кабинете. Вы можете посмотреть их в любое удобное для вас время. Практические вебинары, где 80% времени вы будете решать задачи.
В ходе обучения вы будете выполнять домашние задания. Каждое из них посвящено одному из компонентов вашего выпускного проекта.
После выполнения всех домашних заданий вы получите готовый выпускной проект.
Оптимальная нагрузка
Возможность совмещать учебу с работой.Эксперты
Преподаватели из разных сфер, каждый со своим уникальным опытом.
Перспективы
Получите знания, которые помогут повысить вашу востребованность и доход.
Партнеры
Многие студенты еще во время прохождения первой части программы находят или меняют работу, а к концу обучения могут претендовать на повышение в должности.
- Карьерные мероприятия в сообществе
Публичный разбор резюме
Публичное прохождение собеседования и воркшопы - Разместите свое резюме в базе OTUS и сможете получать приглашения на собеседования от партнеров
ML engineer
Формат обучения
Интерактивные вебинары
2 онлайн-трансляции по 2 ак. часа в неделю. Доступ к записям и материалам остается навсегда.
Обратная связь
Домашние задания с поддержкой и обратной связью наших преподавателей помогут освоить изучаемые технологии.
Активное комьюнити
Чат в Telegram для общения преподавателей и студентов.
Программа
Процессы
С чего следует начинать любой проект по ML? Конечно, с целей и метрик, а также с организации процессов взаимодействия в команде. Как организовать хранение кода, как вести задачи и многое другое будет рассмотрено в рамках этого модуля.
Тема 1: Вводное занятие
Тема 2: Цели и метрики ML проектов
Тема 3: Организация исходного кода
Тема 4: Взаимодействие с командой
Тема 5: Практика. Формирование процессов команды
Инфраструктура
В этом модуле мы начнем возводить кирпичики нашей системы с инфраструктурных блоков. Мы узнаем, какие блоки стоит выделить, где хранить данные. Как автоматизировать периодические операции. Как эффективно и безопасно использовать облачные сервисы.
Тема 1: Базовые блоки инфраструктуры
Тема 2: Облачные провайдеры
Тема 3: Собственная инфраструктура
Тема 4: Изменение кода и CI/CD
Тема 5: Биллинг и Identity and Access Management
Тема 6: Terraform
Тема 7: Практика. Настройка облачной инфраструктуры
Подготовка данных
Всё начинается с данных. Их нужно собрать, сохранить, проанализировать, провести очистку и заполнение пропусков, извлечь признаки и внимательно следить за качеством данных и их версионированием. В этом модуле мы рассмотрим все эти темы.
Тема 1: Выбор хранилища. HDFS/S3/DataBase/etc
Тема 2: Сбор данных на потоке. Kafka
Тема 3: Сбор данных по расписанию. AirFlow
Тема 4: Валидация данных
Тема 5: Обнаружение сдвигов в данных
Тема 6: Подготовка и обогащение данных
Тема 7: Извлечение признаков
Тема 8: Версионирование данных. DVC
Тема 9: Использование Feature Store: Feast
Тема 10: Практика. Конвейер подготовки данных
Моделирование
Наконец мы добрались до обучения моделей, и самое время обсудить, как сделать это обучение воспроизводимым. Как проводить обучение моделей в распределенной среде. Как хранить и версионировать артефакты с моделями.
Тема 1: Воспроизводимость и версионирование. MLFlow
Тема 2: Перенос ML алгоритмов в распределенную среду
Тема 3: Популярные фреймворки в распределенной среде
Тема 4: Подбор гиперпараметров и AutoML
Тема 5: Практика. Регулярное переобучение
Валидация
Перед запуском модели в production, её следует внимательно провалидировать и изучить. В этом модуле мы обсудим, какие есть стратегии валидации, как проводить анализ моделей и интерпретировать их результаты. Как показать влияние модели на бизнес-метрики с помощью A/B тестирования.
Тема 1: Стратегии валидации моделей
Тема 2: Анализ моделей
Тема 3: Интерпретируемость
Тема 4: A/B-тестирование
Тема 5: Практика. Автоматическая валидация
Развертывание
Модель готова и проанализирована. Пришло время катить её в production. Какие есть стратегии инференса, какие инструменты помогут автоматизировать выкатку в production. Как подготовить веб-сервис с моделью и запустить его в k8s.
Тема 1: Пакетный режим работы
Тема 2: Асинхронный потоковый режим
Тема 3: Модель как сервис
Тема 4: Подготовка артефактов
Тема 5: Развертывание в k8s
Тема 6: Обновление моделей
Мониторинг
Модель работает в production, но как мы будем за ней следить. Как собирать и визуализировать метрики. Как узнавать о проблемах раньше всех и заранее вносить исправления.
Тема 1: Инструменты и метрики. Prometheus
Тема 2: Поиск отклонений и сдвигов в данных / MLOps в k8s
Тема 3: Построение обратной петли
Тема 4: Алертинг
Проектная работа
Заключительный месяц курса посвящен проектной работе. Свой проект — это то, что интересно писать слушателю. То, что можно создать на основе знаний, полученных на курсе. При этом не обязательно закончить его за месяц. В процессе написания по проекту можно получить консультации преподавателей.
Тема 1: Выбор темы и организация проектной работы
Тема 2: Консультация по проектам и домашним заданиям
Тема 3: Защита проектных работ
Также вы можете получить полную программу, чтобы убедиться, что обучение вам подходит
Выпускной проект
Выпускной проект даст возможность закрепить навыки, наработанные в процессе обучения. Вам на выбор будет предоставлено 2 варианта:
- взять свою задачу и свои данные;
- разработать и развернуть на Spark рекомендательную систему.
Полученные в итоге артефакты усилят ваше резюме.
Преподаватели
Эксперты-практики делятся опытом, разбирают кейсы студентов и дают развернутый фидбэк на домашние задания
Ближайшие мероприятия
Открытый вебинар — это настоящее занятие в режиме он-лайн с преподавателем курса, которое позволяет посмотреть, как проходит процесс обучения. В ходе занятия слушатели имеют возможность задать вопросы и получить знания по реальным практическим кейсам.
- Практическое и теоретическое руководство по настройке Kafka в Docker и взаимодействию с ней через Python.
- Обзор инструментов для работы с Kafka: поднятие UI-интерфейса и управление потоками данных.
- Примеры использования Kafka для связи микросервисов и обзор ключевых функций, делающих её незаменимой брокером сообщений.
- Как использовать Kafka в MLOps: сбор данных для ML-моделей, мониторинг их работы и интеграция предсказаний в реальном времени.
👥 Кому будет полезен вебинар?
- Урок будет полезен специалистам по MLOps , data engineers, разработчикам и архитекторам, которые хотят освоить работу с потоковыми данными и интегрировать ML-модели в production-среду.
- Также он будет интересен всем, кто интересуется современными инструментами для масштабируемых и отказоустойчивых систем.
✅ В результате вебинара вы:
- Узнают, как настроить Kafka и взаимодействовать с ней через Python для обработки потоковых данных в рамках MLOps-проектов.
- Научатся использовать Kafka для связи микросервисов и поймут, почему она так популярна на рынке.
- Смогут применять Kafka в своих проектах для решения задач реального времени, таких как обработка событий, логирование, мониторинг и интеграция сервисов.
- Контроль версий данных – без него невозможно воспроизвести эксперименты или откатиться к предыдущим датасетам.
- Совместная работа – DVC помогает командам синхронизировать данные и модели, избегая хаоса в репозиториях.
- Эффективное хранение – большие файлы (датасеты, модели) хранятся отдельно от кода, но остаются связанными через Git.
📍 Программа вебинара:
- Знакомство с DVC – как инструментом для версионирования данных и моделей в ML-проектах.
- Работа с хранилищами – настройка S3 / удалённых storage для хранения артефактов.
- DVC Pipelines – создание воспроизводимых конвейеров для обучения и оценки моделей.
👥 Кому будет полезен вебинар?
- Data Scientists – кто хочет научиться управлять версиями данных и моделей в продакшене.
- Data Engineers – кому важно организовать надёжное хранение и синхронизацию данных.
- ML-инженеры – кто решает проблемы воспроизводимости экспериментов и деплоя моделей.
✅ В результате вебинара вы:
- Настроите DVC в Git-репозитории и подключите внешнее хранилище (например, S3).
- Научитесь переключаться между версиями датасетов и моделей.
- Сможете создавать воспроизводимые пайплайны для обучения ML-моделей.
Хотите узнать, как создать непрерывный цикл разработки и обучения ML-моделей?
Присоединяйтесь к открытому уроку и превратите свои ML-эксперименты в хорошо организованный, воспроизводимый процесс!
- Разберем интеграцию GitLab CI/CD для автоматизации ML-экспериментов и их визуализации.
- Покажем использование Continuous Machine Learning (CML) для отслеживания метрик моделей прямо в Merge Requests.
- Продемонстрируем сценарий автоматического запуска обучения ML-моделей на реальном примере.
👥 Кому будет полезен вебинар?
- Data Scientists, которые хотят внедрить практики DevOps в процесс разработки ML-моделей.
- ML-инженерам, стремящимся автоматизировать процесс обучения и оценки моделей.
- Техническим руководителям, планирующим построить эффективный конвейер ML-разработки в своей команде.
✅ В результате вебинара вы:
- Как настроить автоматический запуск экспериментов при каждом коммите в репозиторий;
- Как визуализировать результаты обучения и метрики в GitLab с помощью CML;
- Как организовать сценарий версионирования моделей для воспроизводимости экспериментов через Git;
- Как интегрировать обучение модели с облачными провайдерами для запуска ML-экспериментов в облаке.
Начните использовать современные MLOps практики уже сегодня и сократите время от идеи до внедрения модели в производство!
Прошедшие
мероприятия
Возможность пройти вступительное тестирование повторно появится только через 3 дня
Результаты тестирования будут отправлены вам на email, указанный при регистрации.
Тест рассчитан на 30 минут, после начала тестирования отложить тестирование не получится!
Корпоративное обучение для ваших сотрудников
- Курсы OTUS верифицированы крупными игроками ИТ-рынка и предлагают инструменты и практики, актуальные на данный момент
- Студенты работают в группах, могут получить консультации не только преподавателей, но и профессионального сообщества
- OTUS проверяет знания студентов перед стартом обучения и после его завершения
- Простой и удобный личный кабинет компании, в котором можно видеть статистику по обучению сотрудников
- Сертификат нашего выпускника за 5 лет стал гарантом качества знаний в обществе
- OTUS создал в IT более 120 курсов по 7 направлениям, линейка которых расширяется по 40-50 курсов в год
Отзывы
Подтверждение знаний и навыков
OTUS осуществляет лицензированную образовательную деятельность.
В конце обучения вы получите сертификат OTUS о прохождении курса.
После обучения Вы:
- Получите материалы по пройденным занятиям (видеозаписи курса, дoполнительные материалы, финальный проект для добавления в портфолио)
- Создадите своё портфолио проектов, которое поможет при прохождении собеседований
- Повысите свою ценность и конкурентоспособность как IT-специалист
- Получите сертификат об окончании курса
MLOps
Полная стоимость
Стоимость указана для оплаты физическими лицами
вычета до 13% стоимости обучения. Пройдите тестирование и менеджер вас проконсультирует
+7 499 938-92-02 бесплатно