[karpov.courses] [Валерий Бабушкин]

[SlivInfoKurs]

чина:


Описание:
Научитесь создавать надежные и эффективные ML-системы и поддерживать их стабильную работу

Зачем изучать проектирование ML-систем? Машинное обучение — это больше, чем просто модели.
Чтобы алгоритмы работали в реальном мире, нужна система, которая масштабируется, обновляется и приносит пользу бизнесу. В этом поможет ML System Design:

• Это новая дисциплина, необходимая для инженеров, аналитиков и всех, кто создает интеллектуальные продукты
• Помогает разрабатывать надежные и устойчивые ML-решения, которые работают не только в тестах, но и в продакшене
• Научит вас лучше разбираться в моделях и проектировать вокруг них полноценную систему
• На курсе вы получите целостное понимание ML System Design — от архитектуры до интеграции и поддержки

Кому подойдёт курс

• Опытным ML-инженерам. Углубите навыки: научитесь обеспечивать стабильную работу ML-систем на долгий срок и сможете претендовать на более высокие позиции
• Руководителям технических команд. Освоите дисциплины, которые помогут комплексно смотреть на проектирование систем, понимать возможности и ограничения каждого решения
• Начинающим специалистам в ML. Заложите фундамент для успешной карьеры в машинном обучении. Получите рекомендации, которые пригодятся уже в первом проекте

Чему вы научитесь

• Правильно действовать ещё в ранней стадии разработки. Научитесь выбирать метрики и функции потерь, создавать надежный пайплайн данных и комбинировать методы валидации, чтобы сразу готовить качественную версию модели
• Понимать проблемы и принимать решения в ML-проектах. Поймете, как формулировать задачи и выделять ключевые этапы, чтобы хорошо ориентироваться в проекте
• Интегрировать и масштабировать решения. Освоите разные методы интеграции ML-продукта в экосистему. Узнаете, как оптимизировать деплой, мониторить работу модели и обслуживать, чтобы она была управляемой и масштабируемой
• Обеспечивать точность системы. Улучшите навыки анализа ошибок, обучения пайплайнов, работы с фичами и тестирования модели для оценки ее производительности

Программа обучения
1 неделя. Выяснение проблемы. Исследование. Дизайн-документ
2 неделя. Функции потерь и метрики. Датасеты
3 неделя. Схемы валидаций и baseline-решения
4 неделя. Анализ ошибок
5 неделя. Пайплайны. Генерация фич и признаков
6 неделя. Репортинг и интеграция
7 неделя. Мониторинг и надежность
8 неделя. Сервинг, оптимизация инференса. Ownership
9 неделя. Разработка дизайн- документа
10 неделя. Публикация дизайн-документа

Спойлер: Подробная программа
1 неделя. Выяснение проблемы. Исследование. Дизайн-документ
Определение проблемы и постановка задачи

• Пространства проблем и решений
• Поиск проблемы
• Упрощение решений через ML
• Риски, ограничения, возможные последствия
• Цена ошибки

Первоначальное исследование

• Проблемы как источник вдохновения
• Разработка vs покупка: open-source vs проприетарные технологии
• Декомпозиция проблемы
• Выбор уровня инноваций

Дизайн-документ: основы

• Цели и «антицели»
• Структура дизайн-документа
• Дизайн-документ — это живой организм

2 неделя. Функции потерь и метрики. Датасеты
Функции потерь и метрики

• Функции потерь
• Метрики качества

Датасеты: работа с данными

• Источники данных
• Подготовка датасетов
• Данные и метаданные
• Необходимый объем данных
• Проблема холодного старта
• Характеристики устойчивого пайплайна данных

3 неделя. Схемы валидаций и baseline-решения
Схемы валидаций

• Достоверная оценка
• Стандартные схемы
• Нетривиальные схемы
• Процедура обновления моделей

Baseline-решения

• Что такое Baseline
• Константные бейзлайны
• Model-based и feature-based бейзлайны
• Бейзлайны в Deep Learning

4 неделя. Анализ ошибок
Анализ ошибок, часть 1

• Кривая обучаемости — аналитика
• Переобучение и недообучение
• Исходные бейзлайны

Анализ ошибок, часть 2

• Анализ остатков
• Поиск закономерностей в остаточных значениях

5 неделя. Пайплайны. Генерация фич и признаков
Тренировочные пайплайны

• Как устроен тренировочный пайплайн
• Необходимые инструменты и платформы
• Масштабируемость и конфигурируемость тренировочных пайплайнов
• Тестирование

Генерация фич и признаков (features and feature engineering)

• Основы генерации фич и признаков
• Анализ значимости фич
• Отбор признаков
• «Магазин» фич

6 неделя. Репортинг и интеграция
Репортинг

• Оценка результатов
• A/B-тестирование
• Формирование отчетов

Интеграция

• API-дизайн
• Цикл релиза
• Переопределение решений модели и fallback-стратегии

7 неделя. Мониторинг и надежность
Мониторинг и надёжность, часть 1

• Важность мониторинга
• Качество и целостность данных
• Метрики отслеживания проблем

Мониторинг и надёжность, часть 2

• Дата-дрифт
• Концепт-дрифт

8 неделя. Сервинг, оптимизация инференса. Ownership
Сервинг и оптимизация инференса

• Сервинг и инференс: соревнования, компромиссы и паттерны
• Инструменты и фреймворки
• Бессерверные вычисления
• Оптимизация пайплайнов инференса

Ownership и поддержка

• Ответственность и роли в команде
• Bus factor
• Комплексность и документация

9 неделя. Разработка дизайн- документа

• Как создать свой дизайн-документ
• Написание первых версий

10 неделя. Публикация дизайн-документа

• Финализация и шлифовка
• Презентация дизайн-документа

Насыщенная теория

• Пройдете 60 уроков по проектированию, обучению, развертыванию и поддержке ML-систем
• Закрепите знания на интерактивных занятиях

Практика

• Разберете два примера дизайн-документов с реальными сценариями
• Получите рекомендации, которые помогут применить знания в деле

Обмен опытом

• Обсудите истории успехов и неудач при запуске ML-продуктов

Цена 130000 ₽
Скрытая ссылка

Этот курс появится в скором времени на форуме SLIVINFOKURS.BIZ. Проверьте по поиску форума, возможно данный курс уже слит.

​