Скачать [MLInside] Системный дизайн [Валерий Бабушкин]

[Kail]

Ссылка на картинку

Ваши результаты после курса: научитесь проектировать и внедрять ML-системы, устойчивые к нагрузке и ошибкам.

Для кого этот курс:

• ML-инженеры. Систематизируешь опыт, научишься проектировать ML-решения под реальные нагрузки и повысишь свой инженерный уровень
• Тимлиды и руководители команд. Сможешь оценивать архитектуру ML-систем, понимать последствия технических решений и уверенно вести команду
• Начинающие ML-специалисты. Разберёшься, как устроены ML-системы на практике, и избежишь типичных ошибок в первых проектах

Что клиенты получат после прохождения курса:

• Надёжные ML-процессы. Научишься строить пайплайны, выбирать метрики и функции потерь, чтобы сразу получать рабочие версии моделей
• Понимание ML-проектов целиком. Освоишь навык, как формулировать задачи, выделять ключевые этапы и держать проект под контролем
• Готовность к внедрению и масштабированию. Освоишь методы интеграции ML-решений, оптимизации деплоя и мониторинга работы моделей
• Контроль качества моделей. Прокачаешь навыки анализа ошибок, работы с фичами и тестирования моделей для оценки производительности

Что будем делать на курсе:

• 60 уроков по проектированию, обучению, развертыванию и поддержке ML-систем
• Создание и разбор дизайн-документов на реальных кейсах
• Обсуждение успехов и ошибок при запуске ML-продуктов
• Ответы преподавателя на вопросы и рекомендации по практике

Программа:

• Тема 1. Пространство проблемы и пространство решения.
  Научитесь переводить бизнес-задачи в корректные ML-решения и выбирать подходящую архитектуру под реальные ограничения
• Тема 2. Предварительные исследования.
  Поймёте, как оценивать данные, риски и возможные подходы ещё до начала разработки, чтобы не тратить время впустую
• Тема 3. Дизайн-документ.
  Освоите создание ML-дизайн-документов, которые помогают команде быстрее принимать решения и двигаться в одном направлении
• Тема 4. Функции потерь и метрики.
  Научитесь выбирать метрики и функции потерь так, чтобы они отражали реальную ценность модели для продукта и бизнеса
• Тема 5. Датасеты: работа с данными.
  Разберётесь, как готовить качественные датасеты и выстраивать процессы работы с данными, от которых напрямую зависит результат
• Тема 6. Схемы валидаций.
  Научитесь правильно оценивать модели и избегать ошибок, которые создают иллюзию хорошего качества
• Тема 7. Бейзлайны.
  Поймёте, как строить простые и честные бейзлайны для объективной оценки прогресса и пользы ML-решений
• Тема 8. Анализ ошибок.
  Научитесь находить реальные причины плохой работы модели и принимать обоснованные решения по её улучшению
• Тема 9. Пайплайны обучения.
  Освоите построение удобных и воспроизводимых пайплайнов обучения, готовых к командной работе и продакшену
• Тема 10. Фиче-инжиниринг.
  Поймёте, как создавать фичи, которые действительно улучшают качество моделей, а не усложняют систему
• Тема 11. Репортинг.
  Научитесь понятно и структурированно доносить результаты ML-работ до команды и бизнеса
• Тема 12. Интеграция.
  Разберётесь, как встраивать ML-модели в продукт так, чтобы они стабильно работали и приносили пользу
• Тема 13. Мониторинг и надежность.
  Поймёте, как отслеживать качество моделей в продакшене и вовремя реагировать на деградации
• Тема 14. Обслуживание и оптимизация инференса.
  Научитесь оптимизировать инференс по скорости, стоимости и устойчивости под реальные нагрузки
• Тема 15. Управление и обслуживание.
  Разберётесь, как встраивать ML-модели в продукт так, чтобы они стабильно работали и приносили пользу
• Дополнительные материалы от эксперта.

Показать больше