MLOps - oran 80.000 ovmak. Otus'tan, 5 aylık eğitim, tarih 30 Kasım 2023.

Miscellanea / by admin / November 30, 2023

click fraud protection

Veri akışı ve dağıtılmış ortamlar için gerekli tüm makine öğrenimi becerilerinde uzmanlaşacaksınız. Program, Spark'ta büyük verileri işlemenize ve dağıtılmış algoritmalar yazmanıza olanak sağlayacak Veri Bilimi ve Veri Mühendisliği alanlarından gerekli bilgileri içerir.
Her modülün ödevini tamamlayarak pratik yapacaksınız. Eğitimin sonunda edindiğiniz tüm bilgileri özetlemenizi ve portföyünüze eklemenizi sağlayacak bir final projeniz olacak. Veri kümenizdeki çalışma görevlerinin bir parçası olarak yapılabilir veya OTUS tarafından sağlanan verilere dayalı bir öğrenme projesi olabilir.

Bu kurs kimlere yöneliktir?
Büyük verilerle nasıl çalışılacağını öğrenmek isteyen Makine Öğrenimi uzmanları veya Yazılım mühendisleri için. Tipik olarak bu tür görevler, büyük ölçekli dijital ürüne sahip büyük BT şirketlerinde mevcuttur.
Becerilerini mühendislik becerileriyle güçlendirmek isteyen Veri Bilimcileri için. Kurs sayesinde verileri işleyebilecek ve üretimde ML çözümlerinin sonuçlarını bağımsız olarak görüntüleyebileceksiniz.

instagram viewer

Öğrenmek için temel veri bilimi becerilerine ihtiyacınız olacak. Gerekli eğitim seviyesini öğrenmek için OTUS'taki Veri Bilimi Haritası kurslarına bakmanızı öneririz.

Öğreneceksiniz:
- Dağıtılmış bir ortamda standart ML işlem hattı araçlarını kullanın;
- Makine öğrenimi hatları için kendi bloklarınızı geliştirin;
- ML algoritmalarını dağıtılmış ortamlara ve büyük veri araçlarına uyarlamak;
- Spark, SparkML, Spark Streaming'i kullanın;
- Makine öğrenimi için akış verilerinin hazırlanmasına yönelik algoritmalar geliştirmek;
- Makine öğrenimi çözümlerinin endüstriyel operasyona geçişinin tüm aşamalarında kalite kontrolünün sağlanması.

Uzmanlara talep
Uzmanlaşacağınız beceriler mümkün olduğunca uygulamalı ve umut vericidir. Geliştirilmesi büyük verilerle çalışmayı ve akış işlemeyi gerektiren, giderek daha fazla dijital ürün piyasaya çıkıyor. Zaten böyle bir beceri havuzuna ve bir miktar iş deneyimine sahip uzmanlar 270 bin maaş almaya hak kazanabiliyor. ruble Diğer bir trend ise eğitim ve doğrulama süreçlerinin otomasyonu, aksine, klasik bir Veri Bilimcisinin çalışmasının değerini bir şekilde düşürüyor. Her şey, uzman olmayan birinin bile uygun tahmin yapabileceği noktaya doğru ilerliyor. Bu nedenle, en azından yüzeysel mühendislik becerilerine sahip olanlar zaten bir avantaja sahiptir.

Kurs Özellikleri
Verilerle çalışma konusunda çok sayıda pratik
Dağıtılmış makine öğrenimi ve akış veri işlemeden üretim çıktısına kadar geniş bir beceri yelpazesi
Güncel araçlar ve teknolojiler: Scala, Spark, Python, Docker
Web seminerleri ve Slack sohbeti aracılığıyla uzmanlarla canlı iletişim

Pavel Filonov

kurs

Şirketin ürün ve hizmetleri için makine öğrenimine dayalı işlevsellik sağlayan bir Veri Bilimi ekibinin geliştirilmesinde görev aldık. Veri Bilimcisi olarak Kaspersky MLAD ve MDR Yapay Zeka Analistinin geliştirilmesine katıldı. C++ geliştiricisi olarak MaxPatrol SIEM'in oluşturulmasında yer aldı ve uzun yıllardır bilgisayar öğretmenliği yapıyor. MSTU GA'da bilim disiplinleri. ML, C++, DS proje yönetimi ve geliştirme üzerine bir dizi raporun yazarı takımlar. PC konferansı C++ Rusya üyesi. Program Yöneticisi

Anatoly Burnashev

dersler

BT alanında özel geliştirme projelerinde 20 yıldan fazla deneyim. Devlet sözleşmeleri kapsamında olanlar da dahil olmak üzere düzinelerce başarılı proje. ERP sistemlerinin geliştirilmesi ve uygulanmasında deneyim, açık kaynak çözümler, yüksek yüklü uygulamalar için destek. Derslerin öğretmeni...

Dmitry Bugaichenko

Peki

Büyük veri ve makine öğrenimi ile çalışma uzmanı. 8 yıl boyunca Odnoklassniki.ru'da çalıştı. OK Data Lab ekibini (büyük veri ve makine alanındaki araştırmacılara yönelik bir laboratuvar) yönetti.

Büyük veri ve makine öğrenimi ile çalışma uzmanı. 8 yıl boyunca Odnoklassniki.ru'da çalıştı. OK Data Lab ekibini (büyük veri ve makine öğrenimi alanındaki araştırmacılara yönelik bir laboratuvar) yönetti. Odnoklassniki'deki büyük veri analizi, teorik eğitimi ve bilimsel temeli gerçek, talep gören ürünlerin geliştirilmesiyle birleştirmek için eşsiz bir fırsat haline geldi. 2019 yılından bu yana Sberbank'ta Genel Müdür olarak çalışmaktadır. Kitlesel kişiselleştirme bölümünde öneri sistemleri için bir platform geliştirmek amacıyla kümenin lideri olarak hareket eder. 2004 yılında St. Petersburg Devlet Üniversitesi'nden mezun oldu ve 2007 yılında resmi mantıksal yöntemler alanında doktorasını savundu. Yaklaşık 9 yıl boyunca üniversite ve bilimsel çevreyle bağlantımı kaybetmeden dış kaynak kullanımında çalıştım.

Kursa başlamaya yönelik temel giriş
-Konu 1. Gradyan iniş ve doğrusal modeller
-Konu 2.Temel makine öğrenimi yöntemlerine ve metriklerine genel bakış
-Konu 3.Verilerle çalışma yaklaşımlarının evrimi
-Konu 4.Scala'da programlamanın temelleri

Dağıtılmış veri işlemenin teknolojik temeli
-Konu 5. Dağıtılmış dosya sistemleri
-Konu 6. Dağıtık sistemlerde kaynak yöneticileri
-Konu 7. Büyük ölçüde paralel ve dağıtılmış bilgi işlem çerçevelerinin evrimi
-Konu 8. Apache Spark 1 Temelleri
-Konu 9. Apache Spark 2 Temelleri

Dağıtılmış ML Temelleri
-Konu 10. ML algoritmalarının dağıtılmış ortama aktarılması
-Apache Spark'ta Konu 11.ML
-Konu 12.SparkML için kendi bloklarınızı geliştirmek
-Konu 13.Hiperparametrelerin ve AutoML'nin optimizasyonu

Akış işleme
-Konu 14. Akış verilerinin işlenmesi
-Konu 15. Spark ile kullanılacak üçüncü taraf kütüphaneler
-Tema 16.Spark Yayını
-Konu 17. Spark'ta yapılandırılmış ve sürekli akış
-Konu 18.Alternatif akış çerçeveleri

Hedef belirleme ve sonuç analizi
-Konu 19. ML projesinin amacının belirlenmesi ve ön analiz
-Konu 20. Kayıpları azaltma görevi örneğini kullanan uzun vadeli makine öğrenimi hedefleri
-Konu 21.A/B testi
-Konu 22.Ek konular

ML sonuçlarını üretime aktarma
-Konu 23. ML çözümlerini üretime geçirme yaklaşımları
-Konu 24.Versiyonlama, tekrarlanabilirlik ve izleme
-Konu 25.Modellerin çevrimiçi sunumu
-Konu 26. Eşzamansız akış ML ve ETL için modeller
-Konu 27. Python'a ihtiyacınız varsa

Üretimde Python'da makine öğrenimi
-Konu 28.Python'da Üretim Kodu. Düzenleme ve Paketleme Kodu
-Konu 29.REST mimarisi: Flask API
-Konu 30.Docker: Yapı, uygulama, dağıtım
-Konu 31.Kubernetes, konteyner orkestrasyonu
-Kubernetes için Tema 32.MLOPS araçları: KubeFlow, Seldon Core. Endüstrideki heterojen sistemlerin işleyişinin özellikleri.
-Tema 33.Amazon Sagemaker
-Konu 34.AWS ML Hizmeti

Gelişmiş konular
-Konu 35. Sinir ağları
-Konu 36. Sinir ağlarının dağıtılmış öğrenmesi ve çıkarımı
-Konu 37.Ağaçlarda gradyan artırma
-Konu 38. Takviyeli öğrenme

Proje çalışması
-Konu 39. Proje çalışmasının konusunun seçimi ve organizasyonu
-Konu 40. Projeler ve ödevler konusunda danışmanlık
-Konu 41. Tasarım çalışmasının korunması

Etiketler bulut

Miscellanea

Puanlama

Görünümler

Yorumlar