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

​

Это курс для специалистов с опытом, которые хотят профессионально вырасти

Нужно знать основы SQL и объектно-ориентированного программирования, уметь использовать Python для решения ML-задач, быть знакомым с проектированием веб-сервисов на Flask, FastAPI или Django, работать в Git на уровне открытого PR и с простыми пайплайнами по обработке данных в оркестраторах общего применения Airflow или Prefect

• Специалисты в области Data Science и Machine Learning
  Разберётесь в ключевых практиках и инструментах MLOps, чтобы разворачивать и управлять ML-моделями в продакшн-среде
• ML-инженеры и специалисты по DevOps
  Структурируете знания и освоите подход к управлению жизненным циклом ML-моделей: автоматизируете развёртывание, настройку мониторинга и обновление моделей в продакшене
• Инженеры данных
  Погрузитесь в новую предметную область и выйдете за рамки классических ETL-процессов: научитесь организовывать и сопровождать ML-модели в продакшене

Через 5 месяцев вы сможете

• Оценивать зрелость ML-проекта при помощи фреймворка MLOps-зрелости
• Развёртывать ML-модели в продакшене
• Настраивать и поддерживать CI/CD-процессы для ML, чтобы автоматизировать обновление и интеграцию моделей
• Разрабатывать MLOps-архитектуру, адаптированную под конкретный кейс
• Выбирать подходящий способ деплоя в зависимости от бизнес-требований
• Работать в облачной среде и управлять ML-инфраструктурой при помощи Yandex Cloud
• Автоматизировать жизненный цикл ML-модели: предобработку данных, эксперименты, развёртывание и мониторинг
• Обеспечивать надёжность и контроль качества моделей с помощью версионирования, тестирования, мониторинга данных и метрик
• Взаимодействовать с другими специалистами, создавая комплексные ML-решения, готовые к масштабированию

Освоите стек технологий, который соответствует современным требованиям MLOps

• Python
• Git
• Docker
• Docker Compose
• FastAPI
• MLflow
• ClearML
• S3
• Yandex Cloud
• Prometheus Stack
• Evidently
• Great Expectations
• Airflow
• PostgreSQL
• Linux
• GitLab CI
• CI/CD
• NFS
• Kserve

Программа:

1. Введение в MLOps
2. Практики разработки
3. DevOps- и CI/CD-практики
4. Контейнеризация и облачное окружение
5. Качество и версионирование данных
6. Отслеживание экспериментов, управление ML-моделями и их хранение
7. Оркестрация и ML-пайплайны
8. Развёртывание ML-моделей
9. Мониторинг и обратная связь