Продолжительность курса: 146 ак. ч.

Описание курса:
Это комплексный практико-ориентированный курс по MLOps (Machine Learning Operations) — дисциплине на стыке Data Science, DevOps и инженерии данных. Программа охватывает полный жизненный цикл ML-проекта: от постановки задачи и подготовки данных до развертывания модели в продакшен и её мониторинга. Слушатели освоят современные инструменты и практики индустрии: контейнеризацию и оркестрацию (Docker, Kubernetes), инфраструктуру как код (Terraform), CI/CD для ML, версионирование данных и моделей (DVC, MLFlow), оркестрацию пайплайнов (Airflow), потоковую обработку (Kafka), Feature Store (Feast) и мониторинг (Prometheus). Особое внимание уделяется распределённым вычислениям, A/B-тестированию, интерпретируемости моделей и автоматической валидации.

Аудитория:
• data scientists
• ML-инженеры
• backend-разработчики и DevOps-инженеры
• технические лидеры

Необходимая подготовка:
• Уверенные знания Python: работа с библиотеками (pandas, numpy, scikit-learn), понимание ООП, умение писать чистый и тестируемый код
• Базовые знания машинного обучения: понимание того, что такое модели, метрики качества (precision, recall, ROC-AUC), переобучение, валидация и подбор гиперпараметров
• Навыки работы с Linux и командной строкой: уверенная навигация, работа с файлами, SSH, базовые bash-скрипты
• Понимание основ Git: ветвление, работа с удалёнными репозиториями
• Базовое понимание SQL и баз данных: умение писать запросы, понимание различий между реляционными и NoSQL хранилищами

Программа курса:
Модуль 1. Процессы
• Вводное занятие
• Цели и метрики ML-проектов
• Организация исходного кода
• Взаимодействие с командой
• Практика. Формирование процессов команды

Модуль 2. Инфраструктура
• Базовые блоки инфраструктуры
• Облачные провайдеры
• Собственная инфраструктура
• Изменение кода и CI/CD
• Биллинг и Identity and Access Management
• Terraform
• Практика. Настройка облачной инфраструктуры

Модуль 3. Подготовка данных
• Выбор хранилища. HDFS/S3/DataBase/etc
• Сбор данных на потоке. Kafka
• Сбор данных по расписанию. AirFlow
• Валидация данных
• Обнаружение сдвигов в данных
• Подготовка и обогащение данных
• Извлечение признаков
• Версионирование данных. DVC
• Использование Feature Store: Feast
• Практика. Конвейер подготовки данных

Модуль 4. Моделирование
• Воспроизводимость и версионирование. MLFlow
• Перенос ML-алгоритмов в распределенную среду
• Популярные фреймворки в распределенной среде
• Подбор гиперпараметров и AutoML
• Практика. Регулярное переобучение

Модуль 5. Валидация
• Стратегии валидации моделей
• Анализ моделей
• Интерпретируемость
• A/B-тестирование
• Практика. Автоматическая валидация

Модуль 6. Развертывание
• Пакетный режим работы
• Асинхронный потоковый режим
• Модель как сервис
• Подготовка артефактов
• Развертывание в k8s
• Обновление моделей

Модуль 7. Мониторинг
• Инструменты и метрики. Prometheus
• Поиск отклонений и сдвигов в данных / MLOps в k8s
• Построение обратной петли
• Алертинг

Модуль 8. Проектная работа
• Выбор темы и организация проектной работы
• Консультация по проектам и домашним заданиям
• Защита проектных работ

Окончательная цена указывается в договоре на обучение. Записаться на курс