Осень 2022

Машинное обучение в продакшене

Цель курса — Прослушав курс вы поймете, что "перекидывание ML моделей через забор" -- не самая эффективная практика.
У вас появится желание и умение делать end2end.
Вы изучите инструменты и подходы, которые помогают использовать инженерные практики для разработки и выкатки ML приложений.
 
 

Описание
Подробнее
Чему научитесь
-Обучитесь ML моделям вне Jupyter Notebook
- Научитесь тестировать ML модели 
- Будете выстраивать процесс воспроизводимого обучения (dvc, mlflow)
- Сможете писать пайплайны данных (Airflow)
- Использовать техники контейнеризации для обучения и inference  (Docker)
- Масштабирование контейнеров посредством Kubernetes
- Использование Kubernetes для обучения и инференса ML моделей
Подробнее

Преподаватели

Михаил Марюфич Михаил Марюфич

None

Программа

Занятие Часы в ауд. + сам. работа

Лекция №1: Вводное занятие  

4 ак. ч.

Смешанное занятие №1: Production Python code  
+ ДЗ №1

4 ак. ч.

Смешанное занятие №2: Воспроизводимость в ML  
+ ДЗ №2

4 ак. ч.

Смешанное занятие №3: Docker и Rest Services  

4 ак. ч.

Смешанное занятие №4: Data Pipelines  
+ ДЗ №3

4 ак. ч.

Смешанное занятие №5: Kubernetes  

4 ак. ч.

Смешанное занятие №6: Очереди сообщений и Feature Store  

4 ак. ч.

Смешанное занятие №7: CICD для ML моделей  
+ ДЗ №4

4 ак. ч.

Смешанное занятие №8: Мониторинг, постепенные выкатки  

4 ак. ч.

Контрольное занятие №1: Подведение итогов и решения в k8s для МЛ  

4 ак. ч.