Новые складчины | страница 34

​

Подходы к разработке ML-решений + средства их реализации и внедрения в production. Вы пройдете все шаги создания ML-продукта от сбора данных до интеграции ML-модели в эксплуатацию. Познакомитесь с популярными инструментами командной разработки: Git, MLFlow, DVC. Узнаете главные архитектуры ML-решений и основы менеджмента DS-проектов*.

Что такое MLOps
Благодаря стремительному развитию машинного обучения, MLOps-инженеры сегодня — одни из самых востребованных и высокооплачиваемых специалистов в области Data Science.

MLOps – это культура и набор практик комплексного и автоматизированного управления жизненным циклом систем машинного обучения, объединяющие их разработку (Development) и операции эксплуатационного сопровождения (Operations), в т.ч. интеграцию, тестирование, выпуск, развертывание и управление инфраструктурой.

MLOps расширяет методологию CRISP-DM с помощью Agile-подхода и технических инструментов автоматизированного выполнения операций с данными, ML-моделями, кодом и окружением. К таким средствам относятся рассматриваемые в нашем курсе Git, MlFlow, DVC. MLOps позволит избежать распространенных ошибок и проблем, с которыми сталкиваются Data Scientist’ы, работающие по классическим фазам CRISP-DM. Организационные приемы MLOps должны быть независимыми от языка, фреймворка, платформы и инфраструктуры.

MLOps поможет улучшить следующие аспекты ML-проектов:

• унифицировать цикл выпуска моделей машинного обучения и созданных на их основе программных продуктов;
• автоматизировать тестирование артефактов Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть... , таких как проверка данных, тестирование самой ML-модели и ее интеграции в production-решение;
• внедрить гибкие принципы в проекты машинного обучения; поддерживать модели машинного обучения и наборы данных для их в системах CI/CD/CT;
• сократить технический долг по ML-моделям.

Программа курса "MLOps: Разработка и внедрение ML-решений"
Часть 1. Задачи и инструменты машинного обучения
Цель:

• • дать представление о постановках задач машинного обучения, а также современных методах и инструментах их решения;
  • продемонстрировать отличия от задач, для решения которых достаточно классических методов и алгоритмов (без ML)

Теоретическая часть: погружаемся в классические постановки задач машинного обучения, методы их решения, метрики качества для оценки точности результатов, знакомимся с инструментами
Практическая часть: осваиваем инструментарий и настраиваем среды разработки, решаем небольшой набор ознакомительных задач
Домашняя работа: решение задачи классификации/регрессии.

Часть 2. Основные этапы разработки ML-решений: от прототипа до подготовки к production
Цель:

• • продемонстрировать подходы к прототипированию и основные требования, которым должен удовлетворять прототип;
  • показать этапы доработки прототипа при подготовке MVP;
  • дать представление о возможных подходах к интеграции решения в продуктивной среде;

Теоретическая часть: демонстрация процесса разработки ML-решения, от сбора данных до сериализации ML-модели.
Практическая часть: пример построения сквозного ML-решения.
Домашняя работа: построение индивидуального сквозного ML-решения.

Часть 3. MLOps. Экосистема разработки ML-продуктов
Цель:

• • продемонстрировать необходимость инструментов командной разработки ML-решений;
  • показать этапы доработки прототипа при подготовке MVP;
  • дать представление о возможных подходах к интеграции решения в production;

Теоретическая часть: демонстрация примеров необходимости внедрения MLOps- инструментов.
Практическая часть: используем Git, MLFlow и dvc в сквозном примере.
Домашняя работа: используем Git, MLFlow и dvc в индивидуальном сквозном ML-решении

Часть 4. Подходы к работе с данными на каждом этапе разработки ML-решений
Цель:

• • показать основные типы данных и методы работы с ними;
  • продемонстрировать подходы к поиску, хранению и обработке данных на этапах разработки ML-решений;
  • основные вопросы разметки данных и их подготовки для обучения и использования в production

Теоретическая часть: знакомимся с данными в виде таблиц, текста, картинок, аудио. Отвечаем на вопросы как и чем обрабатывать и производить разметку в каждом отдельном случае. Погружаемся в мир Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть... , PostgreSQL, Apache Spark, Hive для обработки и хранения данных. Смотрим на AirFlow как на инструмент для планирования и выполнения задач по обработке данных.
Практическая часть: продолжаем развитие сквозного ML-решения, увеличиваем объем данных, переезжаем в БД, размечаем данные, настраиваем AirFlow на процесс получения и подготовки данных для обучения.
Домашняя работа: развиваем индивидуальное сквозное ML-решение.

Часть 5. Обзор архитектурных решений для интеграции в production. Использование облачных сервисов
Цель:

• • показать основные подходы по интеграции решений в production: монолит или микросервисы, высоконагруженные системы, локальный сервер или облачная платформа;
  • продемонстрировать плюсы и минусы использования облачных сервисов на каждом этапе разработки ML-решений;
  • погрузиться в особенности микросервисных архитектур c использованием контейнеризации;
  • проработать вопрос использования коробочных решений на примере TF serving;
  • интегрировать решение на облачную платформу Yandex Cloud.

Теоретическая часть: знакомимся с интеграцией в production. Рассмотрим различные варианты архитектур ML-решений. Рассматриваем микросервисную архитектуры с использованием контейнеризации (Docker и K8s). Интеграция с Yandex Cloud.
Практическая часть: упаковываем сквозное ML-решение в контейнер и отправляем в AWS, обновляем текущее решение с добавлением TF serving.
Домашняя работа: развиваем индивидуальное сквозное ML-решение.

Часть 6. Обзор этапов и структуры ML-проекта* (входит в расширенную версию курса — 40 ак.часов)
Цель:

• • показать весь ML-проект целиком: основные этапы и ресурсы, необходимые для реализации проекта;
  • продемонстрировать цикличность в жизненном цикле ML-решения;
  • отметить важность мониторинга и дэшбордов для поддержки и развития ML-решений.

Теоретическая часть: подвести итоги и взглянуть на ML-проект в целом: основные составляющие успешного проекта, количество и состав команды на каждом этапе разработки ML-решения, технологии и инструменты для разработки ML-решения и управления ML-проектом. Менеджмент DS-команды.
Практическая часть: настраиваем DVC и MLFlow, создаем репозиторий в Git, разворачиваем CI/CD для сквозного ML-решения.
Домашняя работа: завершаем индивидуальный проект.

​

Инструментрий ARIS применяется уже много лет крупнейшими компаниями для описания бизнес-процессов и ИТ-архитектуры.

Цель учебного курса

• Формирование у слушателей комплекса теоретических знаний, методологических основ и практических навыков в области моделирования архитектуры предприятия с использованием инструментальной системы ARIS

Программа курса:

Тема 1. Обзор инструментария ARIS

• Инструментарий ARIS
• Модули ARIS
• Обзор интерфейса ARIS
• Практикум «Изучение интерфейса ARIS»
• Объекты и связи в ARIS
• Принципы моделирования в ARIS
• Скрипты отчетности
• Администрирование ARIS

Тема 2. Моделирование организационной структуры, документов и информационных систем

• Соглашение о моделировании
• Практикум «Построение модели моделей»
• Описание организационной структуры.
• Практикум «Построение модели организационной структуры»
• Описание документов
• Практикум «Построение модели документов»
• Описание информационных систем
• Практикум «Описание информационных систем»

Тема 3. Моделирование бизнес-процессов

• Модель цепочки добавленной стоимости – VAD
• Практикум «Описание бизнес-процессов верхнего уровня»
• Описание сценариев процесса – PSD
• Практикум «Построение матрицы выбора процесса»
• Описание процедур в нотации BPMN
• Практикум «Построение модели BPMN»
• Описание окружения функции
• Практикум «Построение модели FAD»

Тема 4. Дополнительные возможности ARIS

• Дерево целей и показателей
• Описание рисков и внутренних контролей
• Описание рисков и контрольных процедур в бизнес-процессах
• Архитектура приложений
• Элементы архитектуры приложений

​

Курс рассчитан на начинающих разработчиков, желающих изучить стандарты и практики написания «чистого» кода на 1С, а так же на разработчиков, которые уже продолжительное время работают в отрасли но недостаточно полно изучили стандарты разработки или не понимают зачем они нужны.
Курс основан на стандартах разработки фирмы 1С, связанных с читаемостью кода, а также на опыте автора и сообщества разработчиков 1С. В качестве источника знаний сообщества о применении общих практик программирования использованы диагностики из business specific language language server (BSL LS). В материалы курса вошли только стандарты и практики, связанные читаемостью и поддерживаемостью кода.
Курс содержит методические указания, видеозаписи с разбором стандартов и практик написания кода, а так же пример рефакторинга плохо написанного кода.

ПРОГРАММА КУРСА:

• Введение. Зачем писать понятный код?
• Модули
  • В какой модуль поместить код?
  • Структура модуля
  • Общие требования к текстам модулей
• Переменные
  • Имена переменных
  • Глобальные переменные модулей
• Процедуры и функции
  • Имена процедур и функций
  • Параметры процедур и функций
  • Описание процедур и функций
  • Тело процедур и функций
    • Общие рекомендации (стандарты вендора)
    • Объем метода
    • Принцип единственной ответственности
    • Когнитивная сложность
    • Цикломатическая сложность
    • Глубина вложенности управляющих конструкций
    • Работа с оператором Если … Тогда … ИначеЕсли
    • Магические даты и числа
    • Использование тернарного оператора ?()
    • Многократное использование одинаковых строковых литералов
    • Хранение информации в коде
    • Результат выполнения функции
• Обработчики событий объектов
  • ПередЗаписью
  • ПриЗаписи
  • ОбработкаПроверкиЗаполнения
  • ОбработкаЗаполнения
  • Работа с параметром Отказ в обработчиках событий
• Формы
  • Бизнес-логика в коде форм
  • Единообразие работы пользовательского и программного интерфейсов объекта
  • Открытие форм
• Запросы
  • Размещение текста запроса в модуле
  • Оформление текстов запросов
  • Псевдонимы источников данных
  • Использование *
  • Использование вложенных запросов
• Дополнительные рекомендации
  • Использование комментариев в коде
  • Дублирование кода и использование библиотек
  • Директивы компиляции и инструкции препроцессора
  • Модули web- и http-сервисов
  • Правила использования транзакций
  • Выполнить() и Вычислить()

​

Концентрированный, дополняемый, удобный курс по продвинутому Backend (Python)
В этом курсе мы пройдемся по темам в углубленном формате. Так же приятным бонусом будет дополняемость курса, то есть купив один раз вы будете получать со временем новый материал.

Меня зовут Кирилл и я Senior FullStack разработчик. Большой опыт за плечами на разных позициях в том числе и руководящих. Провел порядка 100 собеседовний на различные позиции.

Преимущества - (такого нет у конкурентов)
Бесплатная консультация в подарок

Первые 20 купивших получат бесплатную консультацию либо собеседование со мной. На консультации можно задать обсолютно любые вопросы или задачи которые надо решить. Длительность консультации или собеседования равна 1 часу

Купил один раз и получаешь обновления
Большинство курсов устаревают из-за того что материал не меняется. Язык развивается динамично поэтому материал нужно добовлять или обновлять как можно чаще. В этом курсе купив один раз доступ к материалу, вы получите возможность получать обновления.

Удобство прохождения
После покупки курса вам будет выдан доступ в бот навигатор в телеграме, а так же вы будете добавлены в закрытый канал с материалом. С помощью бота навигатора можно будет решить любой вопрос или проблему, помимо этого помощь и ответ на сообщения будет происходить в ускоренном режиме

Спойлер: Далее:

Для кого этот курс ?
Для Трейни, Junior, Middle разработчиков которые хотят повысить свой уровень или углубиться в ряд тем. Тут вы рассмотрите продвинутые темы и полный спектр возможностей

Как проходит курс ?
После покупки курса вы будете добавлены в бота навигатора и закрытый telegram канал со всем материалом. Через бот навигатор вы можете удобно и структурировано получать информацию, проходить тесты, запрашивать собеседования, а так же получить свой уникальный сертификат о прохождении курса

Что будет в курсе ?

Введение

Модуль 1 - ООП - 40мин
Модуль 2 - Асинхронность - 1ч
Модуль 3 - Многопоточность и Многопроцессорности - 35мин
Модуль 4 - Работа в сети - 45 мин
Модуль 5 - SQL - 50 мин
Модуль 6 - Архитектура - 40мин
Модуль 7 - Flask - 25мин
Модуль 8/9 - Django + Docker + DRF - 1.5ч
Модуль 10 - FastAPI - 32мин
Тесты - 2 часа
Консультация/Собеседование - 1 час

​

Этот курс познакомит вас с основами статистики и А/Б тестирования и поможет систематизировать уже имеющиеся знания.

Кому будет полезен курс:

• аналитикам;
• дата-сайентистам;
• тем, кто только начинает знакомиться с статистикой;
• тем, кто знаком с основами статистики, но знания не систематезированы

Чему вы научитесь на курсе:

• познакомитесь с понятиями случайная величина и распределение;
• рассмотрите популярные дискретные и непрерывные распределения;
• изучите центральную предельную теорему и закон больших чисел;
• разберетесь в свойствах точечных оценок;
• добавите в свой арсенал z-test и t-test;
• сможете объяснять на пальцах, что такое p-value;
• научитесь расчитывать sample size для А/Б теста;
• поймете как проверять гипотезы;
• попрактикуетесь с библиотеками numpy и scipy.

Начальные требования
Необходимо уметь устанавливать библиотеки python (numpy, pandas, scipy)

Наши преподаватели: Игорь Ким
Развивал разные направления аналитики в ведущих финтехах, банках, ритейлерах России и СНГ. Под разными направлениями я подразумеваю продуктовую аналитику, дата-аналитику, маркетинговую и бизнес-аналитику.

Программа
1. Базовые статистики
1.1 Среднее и медиана
1.2 Распределение и гистограмма
1.3 Перцентиль, квантиль и box-plot
1.4 Дисперсия и стандартное отклонение

2. Базовые распределения
2.1 Дискретное распределение
2.2 Непрерывное распределение
2.3 Равномерное распределение
2.4 Нормальное распределение
2.5 Распределение Бернулли

3. Введение в А/Б тесты
3.1 Точечные оценки
3.2 Z-test
3.3 T-test
3.4 T-test для двух выборок
3.5 Тест для пропорций
3.6 Мощность теста, sample size и MDE
3.7 Финальный А/Б тест
3.8 Заключение

Сайт