MLOPS: Разработка и внедрение ML-решений — обучение по программе в России

Цель: дать представление о постановках задач машинного обучения, а также современных методах и инструментах их решения; продемонстрировать отличия от задач, для решения которых достаточно классических методов и алгоритмов (без ML) Теоретическая часть: погружаемся в классические постановки задач машинного обучения, методы их решения, метрики качества для оценки точности результатов, знакомимся с инструментами Практическая часть: осваиваем инструментарий и настраиваем среды разработки, решаем небольшой набор ознакомительных задач Домашняя работа: решение задачи классификации/регрессии.

Цель: продемонстрировать подходы к прототипированию и основные требования, которым должен удовлетворять прототип; показать этапы доработки прототипа при подготовке MVP; дать представление о возможных подходах к интеграции решения в продуктивной среде; Теоретическая часть: демонстрация процесса разработки ML-решения, от сбора данных до сериализации ML-модели. Практическая часть: пример построения сквозного ML-решения. Домашняя работа: построение индивидуального сквозного ML-решения.

Цель: продемонстрировать необходимость инструментов командной разработки ML-решений; показать этапы доработки прототипа при подготовке MVP; дать представление о возможных подходах к интеграции решения в production; Теоретическая часть: демонстрация примеров необходимости внедрения MLOps- инструментов. Практическая часть: используем Git, MLFlow и dvc в сквозном примере Домашняя работа: используем Git, MLFlow и dvc в индивидуальном сквозном ML-решении

Цель: показать основные типы данных и методы работы с ними; продемонстрировать подходы к поиску, хранению и обработке данных на этапах разработки ML-решений; основные вопросы разметки данных и их подготовки для обучения и использования в production Теоретическая часть: знакомимся с данными в виде таблиц, текста, картинок, аудио. Отвечаем на вопросы как и чем обрабатывать и производить разметку в каждом отдельном случае. Погружаемся в мир Pandas, PostgreSQL, Apache Spark, Hive для обработки и хранения данных. Смотрим на AirFlow как на инструмент для планирования и выполнения задач по обработке данных. Практическая часть: продолжаем развитие сквозного ML-решения, увеличиваем объем данных, переезжаем в БД, размечаем данные, настраиваем AirFlow на процесс получения и подготовки данных для обучения Домашняя работа: развиваем индивидуальное сквозное ML-решение.

Цель: показать основные подходы по интеграции решений в production: монолит или микросервисы, высоконагруженные системы, локальный сервер или облачная платформа; продемонстрировать плюсы и минусы использования облачных сервисов на каждом этапе разработки ML-решений; погрузиться в особенности микросервисных архитектур c использованием контейнеризации; проработать вопрос использования коробочных решений на примере TF serving; интегрировать решение на облачную платформу Yandex Cloud. Теоретическая часть: знакомимся с интеграцией в production. Рассмотрим различные варианты архитектур ML-решений. Рассматриваем микросервисную архитектуры с использованием контейнеризации (Docker и K8s). Интеграция с Yandex Cloud. Практическая часть: упаковываем сквозное ML-решение в контейнер и отправляем в AWS, обновляем текущее решение с добавлением TF serving. Домашняя работа: развиваем индивидуальное сквозное ML-решение.

Цель: показать весь ML-проект целиком: основные этапы и ресурсы, необходимые для реализации проекта; продемонстрировать цикличность в жизненном цикле ML-решения; отметить важность мониторинга и дэшбордов для поддержки и развития ML-решений. Теоретическая часть: подвести итоги и взглянуть на ML-проект в целом: основные составляющие успешного проекта, количество и состав команды на каждом этапе разработки ML-решения, технологии и инструменты для разработки ML-решения и управления ML-проектом. Менеджмент DS-команды. Практическая часть: настраиваем DVC и MLFlow, создаем репозиторий в Git, разворачиваем CI/CD для сквозного ML-решения Домашняя работа: завершаем индивидуальный проект.