1. Основы статистики <a dir="auto" href="https://stepik.org/course/76/info" rel="noopener noreferrer" target="_blank" title="https://stepik.org/course/76/info">https://stepik.org/course/76/info</a>&nbsp;или любой курс по статистике ВУЗа 
2. Python - основы и применение <a dir="auto" href="https://stepik.org/course/512/promo" rel="noopener noreferrer" target="_blank" title="https://stepik.org/course/512/promo">https://stepik.org/course/512/promo</a>&nbsp;&nbsp;или любой курс по программированию ВУЗа, включающий python 
3. Введение в машинное обучение - серия статей на Habr <a dir="auto" href="https://habr.com/ru/company/ods/blog/322626/" rel="noopener noreferrer" target="_blank" title="https://habr.com/ru/company/ods/blog/322626/">https://habr.com/ru/company/ods/blog/322626/</a>&nbsp;&nbsp;или любой курс ВУЗа по машинному обучению 
4. The Missing Semester of Your CS Education <a dir="auto" href="https://missing.csail.mit.edu/" rel="noopener noreferrer" target="_blank" title="https://missing.csail.mit.edu/">https://missing.csail.mit.edu/</a>&nbsp;&nbsp;или практический опыт промышленной разработки программного обеспечения на python под Linux

Пререквизиты к курсу

ML System Design. Темы домашнего задания

Выбор темы домашнего задания на курсе "ML System Design. Autumn 22/23"

Хакатон

Выбор темы домашнего задания

Теория

1. Практическое применение машинного обучения.

2. Основы проектирования ML-систем.

3. Обучающие данные.

4. Подготовка и отбор признаков.

5. Выбор модели, разработка и обучение модели.

6. Оценка качества модели.

7. Развертывание систем.

8. Диагностика ошибок и отказов ML-систем. Диагностика проблем с данными. Мониторинг.

9. Мониторинг и обучение на потоковых данных.

10. Жизненный цикл модели.

11. Отслеживание экспериментов и версионирование моделей.

12. Сложные модели: временные ряды, модели над графами.

13. Непредвзятость, безопасность, управление моделями.

14. ML инфраструктура и платформы.

15. Интеграция ML-систем в бизнес-процессы.

16. Reliable ML - Интеграция в бизнес-процессы

17. Reliable ML - ML System Design Doc

О чем этот курс: 
 
* ML-системы в реальной жизни с точки зрения софта, железа и бизнеса. 
* Итеративный процесс построения ML-систем 
 
Что не рассматривается в этом курсе: 
* Алгоритмы машинного обучения 
* Дата-инженерия 
* Дизайн пользовательского интерфейса 
* Как работать с докером и k8s 
 
Курс состоит из видео, статей, докладов студентов, работы над проектом

Команда курса: 
Дмитрий Колодезев 
Артем Карасюк 
Евгения Сотникова

UPD: Первая лекция будет доступна вечером 18 сентября

Дизайн систем машинного обучения. Введение для начинающих.

User Agreement

Я прочитал(-а) и согласен(-на) с <a href="https://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/UserAgreement.pdf" rel="noopener noreferrer" target="_blank">Пользовательским соглашением и Политикой конфиденциальности</a>

Privacy Policy

Я даю свое <a href="https://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/Consent.pdf" rel="noopener noreferrer" target="_blank">согласие</a> ООО &ldquo;Соревнования Анализа Данных&rdquo; на обработку и передачу моих персональных данных партнерам мероприятия для информационного взаимодействия

Consent

Я <a href="https://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/Email.pdf" rel="noopener noreferrer" target="_blank">согласен(а)</a> получать информационные рассылки от ООО &ldquo;Соревнования Анализа Данных&rdquo; про активности ODS

Мне интересно получать предложения о работе