Скачать ML Design: Основы проектирования систем машинного обучения [karpov.courses] [Валерий Бабушкин]

[King]

Складчина: ML Design: Основы проектирования систем машинного обучения [karpov.courses] [Валерий Бабушкин]



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 ₽




СЛИВ СКЛАДЧИН

Для просмотра скрытого содержимого вы должны зарегистрироваться