Курс:
Автоматизация пайплайнов, воспроизводимость
и MLOps
с 18 ноября по 23 декабря 2021 (набор закрыт)
c DVC, MLflow и Airflow
Прокачиваем необходимые инженерные навыки для проектов машинного обучения
с 13 января по 17 февраля 2021 (2-й набор)
Курс поделен на модули с лекциями, командной работой над проектами и code review

Посмотреть программу
6 модулей
от 12000 руб
Практика!
Стоимость полного курса с материалами и доступом в общий чат.
В течение курса вы будете работать над проектом и "руками" прочувствуете все технологии
Онлайн
Обучение проходит в online-формате через Zoom + общий чат в Discord
Кому подойдет этот курс
Новичкам
Курс поможет освоить инженерные навыки, необходимые для роста в Data Science & Machine Learning.
Вы научитесь тому, что требуется в реальных проектах, прокачаете технические скилы и повысите свою ценность для компании
Data Scientists
Курс поможет прокачать инженерные навыки, в том числе для автоматизации экспериментов, автоматической генерации отчетов и документации, а также для разработки production решений
Machine Learning Engineers
Курс будет интересен, если планируете использовать DVC, MLflow, Airflow, но еще не знакомы с ними, либо нужно быстро разобраться в том, как их можно интегрировать и заставить работать вместе
По итогам курса вы сможете
Уверенно работать с Git
Организовать работу над кодом и уверенно работать с Git
Автоматизировать пайплайны
Автоматизировать пайплайны экспериментов, подготовки данных и оценки модели с DVC
Управлять моделями и метриками
Управлять экспериментами, метриками и жизненным циклом моделей с DVC и MLflow
Документировать эксперименты
Организовать автоматическую генерацию отчетов по экспериментам
Настроить CI/CD
Настроить процессы непрерывной интеграции и доставки с GitLab
Настроить MLOps
Использовать Airflow для задач MLOps, настроить мониторинг работы моделей с Grafana
Выстроить работу команды
Работать в команде по принципам GitFlow и CodeReview
Выводить в Production
Разрабатывать production решения и запускать по расписанию в batch режиме
Программа курса
Планируемое время проведения занятий с 18:00 по 20:00 (MSK)
13 января
13 января
Урок 1. Организуем работу с проектом и кодом
Сделаем обзор подходов и технологий, которые помогут организовать работу над проектом, кодом и работу в команде. Настроим репозиторий, разберемся с особенностями работы с Git в ML проектах, инструментарием GitLab, трекингом задач, гипотез и изменений кода
20 января
20 января
Урок 2. Настраиваем рабочее окружение с Docker и виртуальным окружением Python
Разберемся с Docker и docker-compose. Настроим воспроизводимое окружение для ML проекта
27 января
27 января
Урок 3. Автоматизируем ML пайплайны с DVC
Разберемся с особенностями применения Data Version Control (DVC) в ML проектах для версионирования данных, артефактов и моделей. Автоматизируем пайплайн (конвейер) обучения моделей и оценки их качества.
Запуск экспериментов теперь происходит одной командой!
03 февраля
03 февраля
Урок 4. Настраиваем управление экспериментами и метриками с DVC и MLflow
Добавим к нашему проекту MLflow! Теперь у нас появится удобный интерфейс для трекинга метрик и параметров экспериментов, сравнения экспериментов, визуализации результатов GridSearch. DVC и MLflow используются вместе для управления экспериментами и жизненным циклом моделей
10 февраля
10 февраля
Урок 5. Автоматизируем пайплайны с Airflow
Разберемся с особенностями Airflow: для чего можно использовать, как создавать пайплайны и как его можно использовать в связке с DVC и MLflow.
Также Airflow часто используются для production запуска моделей по расписанию. Это хорошее решение для запуска генерации прогнозов в batch режиме
17 февраля
17 февраля
Урок 6. Настраиваем CI/CD и MLOps процессы для ML решений с DVC, Gitlab, Arflow & MLFlow
Настраиваем автоматический CI/CD процесс с помощью инструментов DVC, Gitlab, Arflow & MLFlow. Добавляем мониторинг работы нашей системы с помощью Grafana и Prometheus.
Преподаватели ML REPA School
Михаил Рожков
Data Scientist & Machine Learning Engineer
Основатель проекта Machine Learning REPA, более 5 лет занимается Machine Learning & Data Science, руководит проектами и помогает командам внедрять хорошие инструменты и инженерные практики
Этапы обучения на курсе
1
Старт. Вы знакомитесь с тренером и сокурсниками, обсуждаете цели обучения
2
Разбор задач и инструментов. На онлайн-встречах в Zoom разбираемся с инструментами и подходами
3
Практическое обучение. В течение курса вы будете внедрять изучаемые подходы в практическом проекте
4
Обратная связь и разбор кейсов. Вы будете участвовать в code-review, давать обратную связь коллегам и получать ценные ответы
Стоимость курса
* Мы вернем деньги, если в течение 14 дней после начала курса вы посчитаете, что он вам не подходит!
Студентам
Скидка 50 %
Специалистам
12 000
рублей
Компаниям
17 000
рублей
Отправить заявку сейчас
Первое занятие 2-го набора пройдет 13 января 2021
Контакты
Напишите нам: school@mlrepa.ru
Made on
Tilda