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.
