Курс:
MLOps для Batch Scoring: автоматизация пайплайнов
и CI/CD c DVC, MLflow и Airflow
MLOps для Batch Scoring: автоматизация пайплайнов
и CI/CD c DVC, MLflow и Airflow
Прокачиваем необходимые инженерные навыки для проектов машинного обучения
Старт: 6 сентября 2023 г.
8 модулей
50 000 руб
Практика
Стоимость полного курса с материалами и доступом в общий чат
В течение курса вы разберете несколько примеров, "руками" прочувствуете все технологии
Онлайн
Видеоуроки
+ Документация
+ Примеры кода
+ Консультации
+ Документация
+ Примеры кода
+ Консультации
Кому подойдет этот курс
Team Leads
Data Engineers
ML Engineers
Вы познакомитесь с передовым опытом построения сервисов, прокачаете технические скилы и повысите свою ценность для компании
Курс поможет прокачать инженерные навыки, в том числе для автоматизации экспериментов, автоматической генерации отчетов и документации, а также для разработки production решений
Курс поможет освоить необходимые инженерные навыки для работы на Machine Learning проектами, в том числе для автоматизации экспериментов, управления моделями и документацией, а также вывода развертывания и эксплуатации разработанных решений
По итогам курса вы сможете
Автоматизировать пайплайныАвтоматизировать пайплайны экспериментов, подготовки данных и оценки модели с DVC
Управлять моделями и метрикамиУправлять экспериментами, метриками и жизненным циклом моделей с DVC и MLflow
Настроить CI/CDНастроить процессы непрерывной интеграции и доставки с GitLab
Настроить MLOpsИспользовать Airflow для задач MLOps, настроить мониторинг работы моделей с Grafana
Выстроить работу командыРаботать в команде по принципам GitFlow и CodeReview
Выводить в ProductionРазрабатывать production решения и запускать по расписанию в batch режиме
200+
Специалистов прошли обучение
50+
Компаний доверили нам обучение сотрудников
4.8 / 5
Средняя оценка курса
Темы курса
1
ML System Design, командная работы и MLOps для задач Batch Scoring
Разберемся с требованиями к ML системам для Batch Scoring проектов. Разберемся с существующими инструментами, определим критерии выбора стека.
2
Продвинутые сценарии
и конфигурация DVC
и конфигурация DVC
Разберемся как конфигурировать DVC пайплайны в продвинутых сценариях: монорепозитории, несколько датасетов, fine-tunning, совместное использование с Optuna и Hydra.
3
Интеграция DVC
и MLFlow
и MLFlow
Разберемся с особенностями применения Data Version Control (DVC) в ML проектах - для версионирования данных, артефактов и моделей.
4
Разработка и интеграция Model Registry
Разработаем два варианта Model Registry: на MLflow и DVC+GTO. Разберемся в особенностях работы и вариантах операционализации моделей.
5
Сервинг ML моделей с FastAPI
Разберем особенности сервинга моделей с использованием FastAPI для сервинга ML моделей. Разрботаем гайды для команды по разрботке, тестированию и мониторингу сервисов.
6
Настройка инструментов для батч-скоринга и Airflow кластера
Разберемся с особенностями Airflow, архитектурой Airflow-кластера, требованиями для Batch Scoring проектов и интеграции с DVC и MLFlow
7
Настройка CI/CD и сервинг ML моделей с Airflow
Настраиваем автоматический CI/CD процесс с помощью инструментов DVC, Gitlab, Arflow & MLFlow.
8
Настройка ML мониторинга
Добавляем мониторинг работы нашей системы с помощью Evidently, Grafana и Prometheus. Разработка переиспользуемых шаблонов для Data Scientists.
Напишите нам
Наш менеджер расскажет о курсах
и проконсультирует по наиболее подходящим условиям
и проконсультирует по наиболее подходящим условиям
school@risoma.ru