Dev & Data Science

Machine Learning in Production

Будем создавать сложные продакшн системы для моделей машинного обучения с помощью Python и инфраструктурного стека для машинного обучения.

О курсе

Рассмотрим цикл жизни моделей машинного обучения. Поймем, как строить сложные продукты для бизнеса на основе данных и моделей для разных доменов — таких как компьютерное зрение, обработка языка, статистические данные и временные ряды.

Имплементируем каждый шаг в цикле жизни моделей машинного обучения: от работы с данными, тренировки, деплоймента и мониторинга до автоматического обновления моделей в продакшне. Для каждого имплементированного шага рассмотрим уже существующие варианты решений с их преимуществами и недостатками.

29 июля 2024 курс длится 2 месяца
14 000 грн/мес. 28 000 грн при полной оплате курса
14 700 грн/мес. при оплате частями
20 мест каждый студент получает регулярный фидбек от куратора

Куратор

Кирилл Трусковский

Специалист в сфере Machine Learning с опытом работы более 7 лет. Работал со стартапами от идеи до создания продукта. Имеет опыт в выборе и реализации современных архитектур глубинного обучения и крупномасштабных решений на их основе.

Программа курса

  • Introduction

    • — Motivation, ML 101.
    • — Main components of ML system.
    • — Infrastructure for ML, Docker, Kubernetes, CI/CD.
    • — Design documents.
  • Data

    • — Data storage & processing.
    • — Data labeling & versioning.
    • — Feature stores.
    • — Privacy.
  • Experiments

    • — Automated ML cycle.
    • — Experiment management.
    • — Experiment structure.
    • — Testing ML code.
    • — Model management.
    • — CI/CD for ML.
  • Pipelines

    • — Orchestration & Kubeflow.
    • — Orchestration & AirFlow.
  • Serving Basics

    • — Different deployment models.
    • — APIs.
    • — Inference servers.
    • — Benchmarking.
  • Serving Advance

    • — Scaling infrastructure.
    • — Scaling model.
    • — Optimization.
  • Monitoring

    • — Monitoring.
    • — Production problems.
    • — Explainability.
    • — Bias in ML.
    • — Governments and validation.
  • Platforms

    • — SageMaker.
    • — Vertex AI.
    • — K8S based platforms.
    • — Platform comparison.

Как проходит обучение

Живые занятия

Вебинары с куратором и группой будут проходить по субботам в 16:00, а видеолекции — открываться по понедельникам.

Real-life задания

У нас действует Practicult — культ практики. Поэтому вы будете выполнять много сложной домашки. Have fun & survive.

Курсовой проект

Во время курса вы создадите большой проект. Ведь принцип курса — все как в жизни.

Регулярный фидбек

У нас нет базовых и премиум режимов. Только премиум, всегда. Получите от куратора все. И да, десятая итерация — это нормально.

Сертификат за дело

Наши сертификаты действительно ценят на рынке. Поэтому мы выдаём их только тем студентам, которые выполнили не менее 70% домашних работ и защитили курсовой проект.

ГРАФИК

Старт

29 июля 2024

Вебинары

по субботам в 16:00

Видеолекции

по понедельниках

Курс для вас, если вы

Разработчик

и хотите изменить/расширить направление работы или перейти в ML домен

Data Scientist, Junior или Middle ML разработчик

и стремитесь научиться внедрять и расширять ML модели в продакшне и стать Full-Stack Data Scientist

Время

8+ часов в неделю на выполнение домашних заданий

Язык обучения

украинский, часть дополнительных материалов будет на английском

Узнайте больше

Twitter Сборище технарей, новости Development & Data Science, физра для мозга, непрошеные советы и социально-научные холивары
Лекция Аfterlife: как жить после развертывания ML модели
Статья Как вывести ML в продакшн. Основные этапы, советы и полезные инструменты
Статья За кафедрой Александр Руппельт: как строят линейку Data Science в Projector
Статья 10 тыс. часов, 6 советов. Как войти в Data Science и не сбежать в панике

Вопросы

С каким софтом будем работать на курсе?

GitHub, Anaconda, Docker, GitHub Actions.

Нужны ли какие-то навыки для поступления на курс?

Этот курс требует определенных знаний, чтобы обучение было для вас максимально эффективным. Так, нужно уметь научить простую модель ML хотя бы в одном домене (CV, NLP, TS и т.д.). Иметь базовые навыки программирования на любом популярном языке (Python, Java и т. п.). Понимать CI/CD. Желательно знать о платформе оркестровки. Также для поступления необходимо выполнить тестовое задание и заполнить анкету. Вы получите задание на почту после регистрации на курс.

Если успешно сдадите тестовое –– мы вам сразу сообщим о зачислении. А за несколько дней до старта курса вышлем письмо с нужной информацией о процессе обучения. Важно: место в группе бронируется только после внесения оплаты.

Если же не сдадите тестовое –– не расстраивайтесь. Мы пришлем также список полезных ссылок и тем, которые нужно подтянуть. Ознакомьтесь с этими материалами, чтобы восполнить пробелы в знаниях, а затем смело подавайтесь на курс снова.

Как проходит коммуникация на курсе и в каком формате куратор дает фидбек?

Вся коммуникация на курсе проходит на платформе Slack (рабочий чат группы, каналы для домашних заданий и полезных ссылок). Куратор дает фидбек в виде комментариев к домашним заданиям и обсуждения на вебинарах.

Можно ли смотреть занятия в любой удобный день?

Можно, но важно успевать выполнять домашние задания, которые вы будете получать после каждого занятия.

Будут ли мне доступны видеозаписи лекций после завершения курса?

Доступ к архиву выпускника сохраняется на год с начала курса.

Получу ли я сертификат после курса?

Чтобы получить сертификат, нужно выполнить не менее 70% домашних работ, получить фитбек и «засчитано» от куратора, а также сдать и защитить курсовой проект. Дедлайном для сдачи и принятия работ является дата выпуска.

Регистрация

Остались вопросы?
Не стесняйтесь их задавать.

Проконсультируйте меня