Разработка и внедрение ML-решений

Ближайшая дата курса	22 января 2024 22 апреля 2024 22 июля 2024
Стоимость обучения	49 500 руб.	Регистрация
Длительность обучения	24 ак.часов
Код курса	MLOPS

Что такое MLOps

Благодаря стремительному развитию машинного обучения, MLOps-инженеры сегодня – одни из самых востребованных и высокооплачиваемых специалистов в области Data Science. MLOps – это культура и набор практик комплексного и автоматизированного управления жизненным циклом систем машинного обучения, объединяющие их разработку (Development) и операции эксплуатационного сопровождения (Operations), в т.ч. интеграцию, тестирование, выпуск, развертывание и управление инфраструктурой.
MLOps расширяет методологию CRISP-DM с помощью Agile-подхода и технических инструментов автоматизированного выполнения операций с данными, ML-моделями, кодом и окружением. К таким средствам относятся рассматриваемые в нашем курсе Git, MlFlow, DVC. MLOps позволит избежать распространенных ошибок и проблем, с которыми сталкиваются Data Scientist’ы, работающие по классическим фазам CRISP-DM. Организационные приемы MLOps должны быть независимыми от языка, фреймворка, платформы и инфраструктуры.

MLOps поможет улучшить следующие аспекты ML-проектов:

унифицировать цикл выпуска моделей машинного обучения и созданных на их основе программных продуктов;
автоматизировать тестирование артефактов Machine Learning, таких как проверка данных, тестирование самой ML-модели и ее интеграции в production-решение;
внедрить гибкие принципы в проекты машинного обучения; поддерживать модели машинного обучения и наборы данных для их в системах CI/CD/CT;
сократить технический долг по ML-моделям.

Аудитория

Python-разработчики, дата-аналитики, инженеры данных, менеджеры AI-продуктов и руководители (тимлиды) ML-команд.

О курсе

В курсе рассмотрены подходы к разработке ML-решений + средства их реализации и внедрения в production. Вы пройдете все шаги создания ML-продукта от сбора данных до интеграции ML-модели в эксплуатацию. Познакомитесь с популярными инструментами командной разработки: Git, MLFlow, DVC. Узнаете главные архитектуры ML-решений и основы менеджмента DS-проектов*.

Офлайн-обучение или онлайн-курс проходят в формате интерактивного семинара: даже в дистанционном режиме с вами занимается живой преподаватель – рассказывает теорию, дает практические задания и проверяет результаты выполнения. В качестве примеров рассматриваются кейсы из реального бизнеса и лучшие практики MLOps.

*В расширенную версию курса (40 ак.часов) включены основы управления DS-проектом (Часть 6).

Продолжительность курса:

Программа курса «Графовые алгоритмы. Бизнес-приложения»

Часть 1. Задачи и инструменты машинного обучения

Цель:

дать представление о постановках задач машинного обучения, а также современных методах и
инструментах их решения;
продемонстрировать отличия от задач, для решения которых достаточно классических методов и
алгоритмов (без ML)

Теоретическая часть: погружаемся в классические постановки задач машинного обучения, методы их
решения, метрики качества для оценки точности результатов, знакомимся с инструментами

Практическая часть: осваиваем инструментарий и настраиваем среды разработки, решаем небольшой набор ознакомительных задач

Домашняя работа: решение задачи классификации/регрессии.

Часть 2. Основные этапы разработки ML-решений: от прототипа до подготовки к production

Цель:

продемонстрировать подходы к прототипированию и основные требования, которым должен удовлетворять прототип;
показать этапы доработки прототипа при подготовке MVP;
дать представление о возможных подходах к интеграции решения в продуктивной среде;

Теоретическая часть: демонстрация процесса разработки ML-решения, от сбора данных до сериализации ML-модели.

Практическая часть: пример построения сквозного ML-решения.

Домашняя работа: построение индивидуального сквозного ML-решения.

Часть 3. MLOps. Экосистема разработки ML-продуктов

Цель:

продемонстрировать необходимость инструментов командной разработки ML-решений;
показать этапы доработки прототипа при подготовке MVP;
дать представление о возможных подходах к интеграции решения в production;

Теоретическая часть: демонстрация примеров необходимости внедрения MLOps- инструментов.

Практическая часть: используем Git, MLFlow и dvc в сквозном примере

Домашняя работа: используем Git, MLFlow и dvc в индивидуальном сквозном ML-решении

Часть 4. Подходы к работе с данными на каждом этапе разработки ML-решений

Цель:

показать основные типы данных и методы работы с ними;
продемонстрировать подходы к поиску, хранению и обработке данных на этапах разработки ML-решений;
основные вопросы разметки данных и их подготовки для обучения и использования в production

Теоретическая часть: знакомимся с данными в виде таблиц, текста, картинок, аудио. Отвечаем на вопросы, как и чем обрабатывать и производить разметку в каждом отдельном случае. Погружаемся в мир Pandas, PostgreSQL, Apache Spark, Hive для обработки и хранения данных. Смотрим на AirFlow как на инструмент для планирования и выполнения задач по обработке данных.

Практическая часть: продолжаем развитие сквозного ML-решения, увеличиваем объем данных, переезжаем в БД, размечаем данные, настраиваем AirFlow на получение и подготовку данных для ML

Домашняя работа: развиваем индивидуальное сквозное ML-решение.

Часть 5. Обзор архитектурных решений для интеграции в production. Использование облачных сервисов

Цель:

показать основные подходы по интеграции решений в production: монолит или микросервисы, высоконагруженные системы, локальный сервер или облачная платформа;
продемонстрировать плюсы и минусы использования облачных сервисов на каждом этапе разработки ML-решений;
погрузиться в особенности микросервисных архитектур c использованием контейнеризации;
проработать вопрос использования коробочных решений на примере TF serving;
интегрировать решение на облачную платформу AWS.

Теоретическая часть: знакомимся с интеграцией в production. Рассмотрим различные варианты архитектур ML-решений. Рассматриваем микросервисную архитектуры с использованием контейнеризации (Docker и K8s). Дружимся с AWS.

Практическая часть: упаковываем сквозное ML-решение в контейнер и отправляем в AWS, обновляем текущее решение с добавлением TF serving.

Домашняя работа: развиваем индивидуальное сквозное ML-решение.

Часть 6. Обзор этапов и структуры ML-проекта* (входит в расширенную версию курса – 40 ак.часов)

Цель:

показать весь ML-проект целиком: основные этапы и ресурсы, необходимые для реализации проекта;
продемонстрировать цикличность в жизненном цикле ML-решения;
отметить важность мониторинга и дэшбордов для поддержки и развития ML-решений.

Теоретическая часть: подвести итоги и взглянуть на ML-проект в целом: основные составляющие успешного проекта, количество и состав команды на каждом этапе разработки ML-решения, технологии и инструменты для разработки ML-решения и управления ML-проектом. Менеджмент DS-команды.

Практическая часть: настраиваем DVC и MLFlow, создаем репозиторий в Git, разворачиваем CI/CD для сквозного ML-решения

Домашняя работа: завершаем индивидуальный проект.