Обычно у ML-инженера есть несколько направлений работы: он взаимодействует с бизнесом, разрабатывает ML-модели и деплоит их в продакшен. О том, как правильно взаимодействовать с бизнесом во время запуска ML-продуктов, мы рассказываем здесь. А на этом курсе ты изучишь инструменты и подходы, которые помогают интегрировать машинное обучение в реальные проекты и обеспечивают его надёжную работу: это направление ещё называют MLOps.

Этот курс подойдёт тем, кто хочет:

• работать с полным жизненным циклом ML-проектов: от подготовки данных до мониторинга моделей в продакшен;
• научиться использовать инструменты, которые применяются в IT-компаниях: от стартапов до огромных корпораций.

Академическая нагрузка

• 1 пара в неделю

Пререквизиты

• Machine Learning

Команда курса

Untitled

Фича курса

Выполняя домашние задания, ты будешь пошагово разрабатывать реальный проект — сервис по выявлению чат-ботов (как в тесте Тьюринга). Ты обучишь ML-модель, разработаешь настоящий ML-пайплайн и подготовишь его к стресс-тесту. В конце курса пройдёт защита лучших проектов.

Результат курса

• Узнаешь, как собираются и размечаются данные.
• Научишься логировать ML-эксперименты и обеспечивать их воспроизводимость.
• Разберёшься, как деплоить и поддерживать работу ML-решений.
• Научишься создавать и автоматизировать пайплайны для обучения и деплоя моделей.

Тематический план курса

В первой части курса студенты научатся правильно работать с данными, ставить ML-эксперименты и деплоить модели. Во второй части курса студенты узнают, как автоматизировать задачи и мониторить работу ML в продакшене.