Курс Machine Learning in Production

Створюватимемо складні продакшн системи для моделей машинного навчання за допомогою Python та інфраструктурного стека для машинного навчання.

Програма курсу

Вступ

• Мотивація, ML 101
• Основні компоненти системи ML
• Інфраструктура для ML, Docker, Kubernetes, CI/CD
• Конструкторська документація

Дані

• Зберігання та обробка даних
• Позначення та версії даних
• Функціональні магазини
• Конфіденційність

Експерименти

• Автоматизований цикл ML
• Управління експериментом
• Структура експерименту
• Тестування коду ML
• Модельне управління
• CI/CD для ML

Пайплайни

• Оркестровка та Kubeflow
• Оркестровка та AirFlow

Основи сервірування

• Різні моделі розгортання
• API
• Сервери висновків
• Бенчмаркінг

Попередня подача

• Інфраструктура масштабування
• Масштабна модель
• Оптимізація

Моніторинг

• Моніторинг
• Виробничі проблеми
• Пояснюваність
• Упередженість у ML
• Уряди та перевірка

Платформи

• SageMaker
• Вершина ШІ
• Платформи на базі K8S
• Порівняння платформ

Особливості курсу

• Відеолекції щопонеділка та вебінари щосуботи о 16:00
• Real-life завдання
• Курсовий проєкт
• Регулярний фідбек
• Сертифікат за здобутки

Викладачі курсу

Кирил Трусковський - Machine Learning Engineer at Georgian