MLOps для разработки и мониторинга моделей

О курсе

Вы пройдете полный жизненный цикл машинного обучения за пять месяцев: от экспериментов и подготовки данных до внедрения и эксплуатации в промышленной среде. За время обучения вы выстроите стабильную инфраструктуру, оптимизируете сервисы и поработаете в облаке Yandex Cloud.

Для кого

Материал курса ориентирован на практикующих IT-специалистов:

• Специалисты по Data Science и Machine Learning, желающие освоить инструменты MLOps для перехода от создания моделей к их полноценному внедрению;
• ML-инженеры и специалисты по DevOps, нацеленные на автоматическое развёртывание ML-моделей, организацию мониторинга и обновление версий в продакшне;
• Инженеры данных, планирующие выйти за рамки классических ETL-процессов, научиться строить специализированные ML-пайплайны и обеспечивать работу моделей.

Требования к подготовке

Для успешного освоения программы необходимы базовые технические навыки:

• знание SQL на уровне аналитических запросов и записи в базы данных;
• владение объектно-ориентированным программированием на Python и опыт решения ML-задач;
• навыки создания веб-сервисов на Flask, FastAPI или Django;
• опыт работы с Git на уровне создания и слияния Pull Request;
• опыт построения пайплайнов обработки данных в Airflow или Prefect.

Чему научитесь

В процессе обучения слушатели осваивают ключевые задачи инженерии машинного обучения:

• проведение оценки зрелости проекта и разработка MLOps-архитектуры под конкретные задачи;
• автоматизация полного жизненного цикла моделей — от подготовки данных до продакшн-мониторинга;
• развёртывание, оптимизация и эксплуатация моделей в реальном окружении;
• настройка практик CI/CD для автоматического обновления версий ML-моделей;
• непрерывный мониторинг системных и ML-метрик, сбор логов, отслеживание сбоев и настройка алертинга;
• управление инфраструктурой и распределёнными вычислениями в облачной среде.