Ended 4 weeks ago

MLOps и production в DS исследованиях 3.0

Современные подходы и инструменты для исследований на данных, разработки и внедрения ML-решений в production.

GitLabSnakeMakeMLFlowDVCCI/CDDockerCLInexuscodestyle

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

Track program

Cookies help us deliver our services. By using our services, you agree to our use of cookies.