Machine Learning in Production
создадим сложные продакшн системы для ML моделей с помощью Python и инфраструктурного стека для машинного обучения
опыт
1–2 года в ML або 3–4 года в Engineering
старт
29 марта 2025 г.
группа
20 мест
длительность
2 месяца
язык преподавания
украинский, часть дополнительных материалов будет на английском
если вы:
- 01
разработчик и хотите изменить/расширить направление работы или перейти в ML домен
- 02
стремитесь научиться внедрять и расширять ML модели в продакшене и стать Full-Stack Data Scientist
s...тогда это мэтч!
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.
навыки,
которыми овладеем
hard skills:
- понимание ML проекта end2end
- понимание инфраструктуры ML проекта
- планирование ML проекта
- работа с данными, тренировками, пайплайнами, деплойментом и мониторингом
- дизайн документов для ML проекта
soft skills:
- эффективная коммуникация и работа в команде
- адаптивность и гибкость
программа курса
от экспериментов к собственному ML проекту
график занятий
вебинары — суббота в 16:00 видеолекции — понедельник
- 01.вступление
- мотивация, ML 101
- основные компоненты системы ML
- инфраструктура для ML, Docker, Kubernetes, CI/CD
- конструкторская документация
- 02.данные
- хранение и обработка данных
- обозначения и версии данных
- функциональные магазины
- конфиденциальность
- 03.эксперименты
- автоматизированный цикл ML
- управление экспериментом
- структура эксперимента
- тестирование кода ML
- модельное управление
- CI/CD для ML
- 04.пайплайны
- оркестровка и Kubeflow
- оркестровка и AirFlow
- 05.основы сервиса
- разные модели развертывания
- API
- серверы выводов
- бенчмаркинг
авторпрограммыКирилл
Трусковский
выбрал релевантные скилы, инструменты и объединил их в этом курсе
Machine Learning Engineer в Georgian. Co-founder в Scorelnforce.
выбрал релевантные скилы, инструменты и объединил их в этом курсе
Специалист в сфере Machine Learning с 9-летним опытом работы. Прошел путь от практической кодировки до разработки ключевых бизнес-решений ML.
что вас ждет
обучение по-проджекторному
воркшопы с куратором, где вы будете решать реальные проблемы
много практики, доступные инструкции к задачам и фидбека после проверки домашки и кода
разработка ряда ценных артефактов и code templates
реализация ML проекта, который станет основанием для дальнейшей работы в сфере
платить помесячно
14 700 грн/мес.
при рассрочке цена курса 29 400 грн
оплатить за весь курс
со скидкой
14 000 грн/мес.
при оплате одним платежом цена курса 28 000 грн
платить помесячно
14 700 грн/мес.
при рассрочке цена курса 29 400 грн
оплатить за весь курс
со скидкой
14 000 грн/мес.
при оплате одним платежом цена курса 28 000 грн
определились?
вот как попасть на курс
1зарегистрироваться
2заполнить анкету
3пройти отбор
4стать студентом
- 1
зарегистрироваться
- 2
заполнить анкету
- 3
пройти отбор
- 4
стать студентом
отзывы.
что говорят выпускники
*Согласно результатам исследования Projector.
В исследовании учавствовали 567 респондетнов
среди выпускников курсов в 2022.
медиа.
узнайте больше
остались вопросы?
подготовили ответы
- нужны ли какие-то навыки для поступления на курс?
- как проходит коммуникация на курсе и в каком формате куратор дает фидбек?
- можно ли смотреть занятия в любой удобный день?
- будут ли мне доступны видеозаписи лекций после завершения курса?
- с каким софтом будем работать на курсе?
регистрация.
первый шаг за вами
Хотите спростить еще что-то? Пишите на hello@prjctr.com или звоните по номеру +38 067 418-95-78.
первый шаг за вами