MLOps - hinta 80 000 hieroa. Otus, koulutus 5 kuukautta, päivämäärä 30.11.2023.

Miscellanea / by admin / November 30, 2023

click fraud protection

Hallitset kaikki tarvittavat koneoppimistaidot datan suoratoistoon ja hajautettuihin ympäristöihin. Ohjelma sisältää tarvittavat tiedot tietotekniikan ja tietotekniikan aloilta, joiden avulla voit käsitellä suurdataa ja kirjoittaa hajautettuja algoritmeja Sparkissa.
Harjoittelet jokaista moduulia suorittamalla kotitehtävät. Koulutuksen lopussa sinulla on lopputyö, jonka avulla voit tehdä yhteenvedon kaikesta hankkimastasi tiedosta ja lisätä portfolioosi. Se voidaan tehdä osana tietojoukkosi työtehtäviä tai olla oppimisprojekti OTUS: n toimittaman datan perusteella.

Kenelle tämä kurssi on tarkoitettu?
Koneoppimisen asiantuntijoille tai ohjelmistosuunnittelijoille, jotka haluavat oppia käsittelemään big dataa. Tyypillisesti tällaisia tehtäviä on suurissa IT-yrityksissä, joilla on laajamittainen digitaalinen tuote.
Tietotieteilijöille, jotka haluavat vahvistaa taitojaan insinööritaidoilla. Kurssin ansiosta pystyt käsittelemään dataa ja näyttämään itsenäisesti ML-ratkaisujen tulokset tuotannossa.

instagram viewer

Oppiaksesi tarvitset datatieteen perustaidot. Suosittelemme, että katsot OTUS: n Map of Data Science -kursseja saadaksesi selville vaaditun koulutustason.

Sinä tulet oppimaan:
- Käytä tavallisia ML-putkityökaluja hajautetussa ympäristössä;
- Kehitä omia lohkojasi ML-putkistoja varten;
- Mukauta ML-algoritmit hajautettuihin ympäristöihin ja big data -työkaluihin;
- Käytä Sparkia, SparkML: ää, Spark Streamingia;
- Kehittää algoritmeja suoratoistodatan valmisteluun koneoppimista varten;
- Laadunvalvonnan varmistaminen ML-ratkaisujen teolliseen käyttöön siirtymisen kaikissa vaiheissa.

Asiantuntijoiden kysyntä
Hallitsemasi taidot ovat mahdollisimman soveltuvia ja lupaavia. Markkinoille tulee yhä enemmän digitaalisia tuotteita, joiden kehittäminen edellyttää työskentelyä big datan ja stream-käsittelyn parissa. Jo nyt asiantuntijat, joilla on tällainen taito ja jonkin verran työkokemusta, voivat saada 270 tuhannen palkan. ruplaa Toinen suuntaus - koulutus- ja validointiprosessien automatisointi, päinvastoin, jollakin tavalla devalvoi klassisen Data Scientistin työtä. Kaikki on menossa siihen pisteeseen, että jopa ei-asiantuntija voi tehdä sopivuusennusteen. Siksi ne, joilla on vähintään pinnalliset insinööritaidot, ovat jo etuoikeutettuja.

Kurssin ominaisuudet
Paljon harjoittelua tiedon parissa
Laaja valikoima taitoja hajautetusta ML- ja stream-tiedonkäsittelystä tuotantoon
Nykyiset työkalut ja tekniikat: Scala, Spark, Python, Docker
Live-kommunikaatio asiantuntijoiden kanssa webinaareilla ja Slack-chatilla

Pavel Filonov

tietenkin

Mukana Data Science -tiimin kehittämisessä, joka tarjoaa koneoppimiseen perustuvia toimintoja yrityksen tuotteille ja palveluille. Data Scientistina hän osallistui Kaspersky MLAD: n ja MDR AI Analyst -ohjelmiston kehittämiseen. C++-kehittäjänä hän osallistui MaxPatrol SIEM: n luomiseen ja on opettanut tietokonetta useiden vuosien ajan. MSTU GA: n tiedealat. Kirjoittanut raporttisarjan ML-, C++-, DS-projektinhallinnasta ja -kehityksestä joukkueet. PC-konferenssin C++ Russia jäsen. Ohjelmistopäällikkö

Anatoli Burnashev

kurssit

Yli 20 vuoden kokemus räätälöidyistä IT-kehitysprojekteista. Kymmeniä onnistuneita projekteja, mukaan lukien valtion sopimukset. Kokemusta ERP-järjestelmien, avoimen lähdekoodin ratkaisujen kehittämisestä ja toteutuksesta, korkean kuormituksen sovellusten tuki. Kurssien opettaja...

Dmitri Bugaichenko

hyvin

Big datan ja koneoppimisen asiantuntija. 8 vuotta hän työskenteli Odnoklassniki.ru: ssa. Johtoi OK Data Lab -tiimiä (laboratorio big datan ja koneen alan tutkijoille...

Big datan ja koneoppimisen asiantuntija. 8 vuotta hän työskenteli Odnoklassniki.ru: ssa. Johtoi OK Data Lab -tiimiä (laboratorio big datan ja koneoppimisen tutkijoille). Big data -analyysistä Odnoklassnikissa on tullut ainutlaatuinen tilaisuus yhdistää teoreettinen koulutus ja tieteellinen perusta todellisten, kysyttyjen tuotteiden kehittämiseen. Vuodesta 2019 lähtien hän on työskennellyt Sberbankissa toimitusjohtajana. Toimii massapersonointidivisioonan suositusjärjestelmien alustan kehittämisen klusterin johtajana. Hän valmistui Pietarin valtionyliopistosta vuonna 2004, jossa hän puolusti tohtorinsa muodollisista loogisista menetelmistä vuonna 2007. Työskentelin ulkoistamisessa lähes 9 vuotta menettämättä yhteyttä yliopistoon ja tiedeympäristöön.

Perusjohdanto kurssin aloittamiseen
-Aihe 1. Gradienttilaskeutumis- ja lineaarimallit
-Aihe 2. Yleiskatsaus koneoppimisen perusmenetelmiin ja mittareihin
-Aihe 3. Tietojen kanssa työskentelyn lähestymistapojen kehitys
-Aihe 4. Ohjelmoinnin perusteet Scalassa

Hajautetun tietojenkäsittelyn tekninen perusta
-Aihe 5. Hajautetut tiedostojärjestelmät
-Aihe 6. Resurssinhallinta hajautetuissa järjestelmissä
-Aihe 7. Massiivisen rinnakkaisten ja hajautettujen laskentakehysten kehitys
-Aihe 8. Apache Spark 1 Basics
-Aihe 9. Apache Spark 2 Basics

Distributed ML Basics
-Aihe 10. ML-algoritmien siirto hajautettuun ympäristöön
-Aihe 11.ML Apache Sparkissa
-Aihe 12. Omien lohkojen kehittäminen SparkML: lle
-Aihe 13. Hyperparametrien ja AutoML: n optimointi

Stream-käsittely
-Aihe 14. Virtatietojen käsittely
-Aihe 15. Kolmannen osapuolen kirjastot käytettäväksi Sparkin kanssa
-Teema 16. Spark Streaming
-Aihe 17. Sparkissa jäsennelty ja jatkuva suoratoisto
-Aihe 18. Vaihtoehtoiset suoratoistokehykset

Tavoitteiden asettaminen ja tulosanalyysi
-Aihe 19. ML-projektin tavoitteen määrittäminen ja esianalyysi
-Aihe 20. Pitkän aikavälin ML-tavoitteet vaihtuvuuden vähentämistehtävän esimerkkinä
-Aihe 21.A/B testaus
-Aihe 22. Lisäaiheita

ML-tulosten tulostaminen tuotantoon
-Aihe 23. Lähestymistapoja ML-ratkaisujen tuomiseksi tuotantoon
-Aihe 24. Versiointi, toistettavuus ja seuranta
-Aihe 25. Mallien online-tarjoilu
-Aihe 26. Patterns asynkroniselle suoratoistolle ML ja ETL
-Aihe 27. Jos tarvitset Python

ML Pythonissa tuotannossa
-Aihe 28. Tuotantokoodi Pythonissa. Järjestely- ja pakkauskoodi
-Aihe 29.REST-arkkitehtuuri: Flask API
-Aihe 30. Docker: Rakenne, sovellus, käyttöönotto
-Aihe 31.Kubernetes, konttiorkesteri
-Teema 32. MLOPS-työkalut Kubernetesille: KubeFlow, Seldon Core. Teollisuuden heterogeenisten järjestelmien toiminnan piirteitä.
-Teema 33. Amazon Sagemaker
-Aihe 34.AWS ML -palvelu

Edistyneet aiheet
-Aihe 35. Neuroverkot
-Aihe 36. Hajautettu oppiminen ja hermoverkkojen päättely
-Aihe 37. Gradientin tehostaminen puissa
-Aihe 38. Vahvistusoppiminen

Projektityö
-Aihe 39. Aiheen valinta ja projektityön organisointi
-Aihe 40. Projektien ja kotitehtävien konsultointi
-Aihe 41. Suunnittelutyön suojaaminen

Tunnisteet pilvi

Miscellanea

luokitus

näkymät

Kommentit