MLOps для разработки и мониторинга моделей [Яндекс.Практикум] [Катерина Цаплина, Антон Алексеев]

[Silen]

Складчина: MLOps для разработки и мониторинга моделей [Яндекс.Практикум] [Катерина Цаплина, Антон Алексеев]



Кому подойдёт курс:

Специалистам по Data Science и Machine Learning
Разберётесь в ключевых инструментах MLOps, чтобы эффективно работать с ML‑моделями на всех этапах — от экспериментов до внедрения
ML-инженерам и специалистам по DevOps
Научитесь развёртывать ML‑модели и обеспечивать их стабильную работу: автоматическое развёртывание, мониторинг, обновление версий в продакшне
Инженерам данных
Погрузитесь в новую предметную область и выйдете за рамки классических ETL‑процессов: научитесь организовывать ML‑пайплайны и обеспечивать работу моделей
На старте нужны базовые технические знания:

SQL на уровне аналитических запросов и записи в БД
Объектно ориентированное программирование на Python
Python для решения ML-задач
Написание веб‑сервисов на Flask, FastAPI или Django
Git на уровне открытого и замёрдженного PR
Пайплайны по обработке данных в Airflow или Prefect
Чему научитесь за 5 месяцев:

Оценивать зрелость проекта и разрабатывать под его задачи MLOps‑архитектуру
Автоматизировать жизненный цикл ML-модели — от обработки данных до мониторинга
Развёртывать ML-модели в продакшне и оптимизировать их
Настраивать CI/CD‑процессы для автоматизации обновлений ML‑моделей
Обеспечивать непрерывный мониторинг метрик, сбоев, логов и реагирование на них
Работать в облачной среде Yandex Cloud и управлять ML‑инфраструктурой
Программа:

Введение в MLOps
Практики разработки
Контейнеризация и облачное окружение
Отслеживание экспериментов,управление ML‑моделями и их хранение
Качество и версионирование данных
DevOps-и CI/CD‑практики
Оркестрация и ML‑пайплайны
Развёртывание ML-моделей
Мониторинг и обратная связь


Спойлер: Подробно
Введение в MLOps

Роль MLOps в жизненном цикле ML‑проекта
Зрелость MLOpsи платформенный подход
Профессия MLOps‑инженера и карта развития
Практики разработки

Управление зависимостями
Качество кода
Промышленные ML‑пайплайны
Тестирование ML
Контейнеризация и облачное окружение

Знакомство с Docker
Оркестрация сервисов
Отслеживание экспериментов,управление ML‑моделями и их хранение

ML flow
ClearML
Оркестрирование ресурсами
ClearML
Качество и версионирование данных

В ведение в data engineering для ML
Проблемы качества данных и метрики
Data Drift и Schema Drift
DevOps-и CI/CD‑практики

Философия DevOps и MLOps
Инфраструктура для MLOps
Непрерывная интеграция — CI
Непрерывное развёртывание — CD
Оркестрация и ML‑пайплайны

Батч-оркестрация с Airflow
Оркестрация ML‑экспериментов в ClearML
Развёртывание в Kubernetes с помощью Helm
Распределённые вычисления и продакшн‑деплой
Сравнительный анализ инструментов
Развёртывание ML-моделей

Офлайн‑инференс в ClearML
Онлайн‑инференс в Kubernetes
Оркестрация инференса с Kserve
Оптимизация моделей
Мониторинг и обратная связь

Инфраструктурный мониторинг
Централизованное логирование и алертинг
Мониторинг качества ML‑моделей
Мониторинг в CI/CD и автоматизация реагирования


Цена 122000 руб.




СКАЧАТЬ СЛИВ КУРСА

Для просмотра скрытого содержимого вы должны зарегистрироваться