ML System Design

Александр Гущин руководитель курса

Продолжительность курса 1 семестр (2 модуля)

Учимся создавать работающие в продакшене ML-системы от начала и до конца:

Теория Учимся планировать ML-системы: постановка задачи для ML, сбор данных, подсчет экономического эффекта, выбор алгоритмов, внедрение в продакшн, планирование АБ-тестирования и проверка системы на надежность.
Практика На курсовом проекте мы опишем нашу ML систему, реализуем и задеплоим ее в «продакшн». А затем поймем, что мы изначально не учли, и разберемся, как с этим справляться и сделаем полезные выводы на будущее

Фича курса

На курсе студенты познакомятся с реальными задачами, над которыми работают ML-команды.

Студенты научатся связывать Data Science и ML Engineering:

	Тема
1	Машинное обучение в индустрии. ML System Design Doc & Canvas.
2	Типы ML задач в бизнесе и их решения. ML Product Design.
3	Первые шаги: сбор данных, оценка эффектов
4	Solution Design: взгляд со стороны пользователя
5	Постановка ML задачи, выбор метрики и класса моделей. No-ML и ML бейзлайны. Выбор схемы валидации.
6	Сбор и обработка данных для обучения и валидации, обучение моделей и генерация фичей
7	АБ-тестирование ML-моделей
8	Работа моделей в проде и дизайн Production ML-систем
9	Model Development Lifecycle: Git, ML пайплайны, версионирование и сериализация ML моделей
10	Тестирование и мониторинг. Оценка качества и анализ ошибок
11	Масштабирование, расчет требуемой инфраструктуры и затрат
12	Типичные ошибки в ML проектах. Роли в ML командах
13	ML System Design: как проходить собеседования