MLOps и production в DS исследованиях 3.0

18 марта — 17 июня 

• Познакомитесь с концепцией воспроизводимых исследований; 
• Научитесь автоматизировать процесс проведения стандартизированных исследований;
• Узнаете о методах организации командной работы над ML-проектами;
• Получите практические рекомендации по работе с кодом в DS исследованиях;
• Изучите полезные инструменты для автоматизации и обеспечения воспроизводимости исследований.

Ресурсы курса:

• Презентации по лекциям курса: клик
• Таблица для формирования команд участников: клик
• Заполнение формы для прохождения курса в команде: клик
• Таблица с темами для митапов: клик

Необходимые навыки:

• Python;
• Основы машинного обучения;
• Опыт работы с общим кодом в команде (желательно).

Кому будет полезен курс?

• ML-инженеры
• Аналитики и инженеры данных
• Менеджеры AI-продуктов и руководители (тимлиды) ML-команд
• СTO / CIO 

Состав и расписание курса

На курсе вас ждут 14 занятий в записи, продолжительностью 1 - 2 часа по понедельникам. 
Консультационные встречи с лекторами, митапы с участниками.
Все занятия и встречи будут доступны в записи. 
 

Участников ждут практические домашние задания, тесты,  финальный проект, а также дополнительные активности и митапы, которые будут предлагаться участникам по ходу курса.

Курс можно проходить в индивидуальном порядке и в команде (не более трех участников)

Для дополнительной мотивации будет вестись публичный рейтинг, лучшие участники получат уникальный мерч от ODS.

Как набрать баллы рейтинга?

• проходить тесты/выполнять задания 
• выполнить и представить финальный проект 
• выступить на митапе по теме, связанной с курсом 

Рейтинг будет доступен после закрытия дэдлайна по заданиям первой недели

Программа курса:

Блок1

• Введение о курсе + интро (теория)
• Что такое исследование Что должно быть в исследовании, как документировать исследование (теория, мини-тест)
• Концепция воспроизводимых и масштабируемых исследований (теория, мини-тест)
• Процессы работы команд (теория + практика, опционально)

Блок 2

• Хранение и версионирование кода. Gitlab. Общие принципы Git-flow, Github-flow, настройка репозитория, codereview (теория + практика)
• Codestyle, инструменты форматирования, линтеры. прекоммиты (теория + практика)

Блок 3

• Управления пакетами Python: Хронология
• Управление пакетами Python: Сравнение инструментов
• Введение в Docker
• Docker - практика

Блок 4

• Шаблонизация. Python пакеты и CLI. Управление зависимостями (теория + практика)
• Инструменты документирования исследований (Quarto, Sphinx, Gitlab Pages) (теория + практика)

Блок 5

• Инструменты автоматизации исследований. Snakemake (теория + практика)
• Инструменты автоматизации исследований. Hydra (теория + практика)

Блок 6

• Инструменты автоматизации исследований. DVC (теория + практика)
• Инструменты автоматизации исследований. LakeFS (теория + практика)

Блок 7

• Инструменты трекинга исследований. MLflow (теория + практика)
• ClearML(теория + практика)

Блок 8

• Методы и инструменты тестирования кода, Hypothesis (теория + практика)
• Методы и инструменты тестирования данных, Great Expectations (теория + практика)

Блок 9

• Контейнеризация Docker. Разработка простого сервиса на базе ML моделей с FastAPI (теория + практика)
• Разработка продвинутого сервиса на базе ML моделей с очередями. Celery-Redis, RabbitMQ(теория + практика)

Блок 10

• Сервис на Streamlit (теория + практика, опционально)
• CD, registry моделей. GitLab, Nexus/Artifactory (теория + практика)

Блок 11

• Управление контейнерами. Kubernetes, OSCP, Red Hat OKD, DeckHouse (теория + практика)

Блок 12

• FeatureStore: Feast, Feathr, Feature Form (теория + практика, опционально)

Блок 13

• Мониторинг и аналитика ML моделей. Концепция дрейфа. Метрики (теория)
• Мониторинг и аналитика ML моделей. Grafana, Prometheus, Evidently AI (практика)

Блок 14

• Оркестрация процессов. AirFlow (теория + практика)
• KubeFlow (теория + практика)

Менторы