+7 495 150 96 00
Архитектура машинного обучения
Курс о том, как проектировать и внедрять системы машинного обучения: от требований и данных до развёртывания и наблюдаемости. Разберём выбор моделей, построение конвейеров обучения и применения, борьбу со сдвигами данных, метрики качества и устойчивую работу в промышленной среде.
- 4 дня / 32 академических часа
- баланс теории и практики: упражнения и кейсы к каждому модулю
- живые вебинары с тренером и самостоятельная работа
- именной сертификат Академии АйТи
- 4 дня / 32 академических часа
- баланс теории и практики: упражнения и кейсы к каждому модулю
- живые вебинары с тренером и самостоятельная работа
- именной сертификат Академии АйТи
Кому подойдет курс
- ML-инженерам и разработчикам — чтобы выстроить надёжную архитектуру и процессы для моделей
- Data/DevOps-специалистам — чтобы собрать конвейеры обучения и применения, наладить мониторинг
- Руководителям продуктов и техлидам — чтобы понимать архитектуру, риски и требования к безопасному внедрению ИИ
- Аналитикам — чтобы понимать риски, качество данных и требования к эксплуатации моделей
Что будет на курсе
Почему наш курс
-
Карьерный трек
Узнавайте об открытых вакансиях и стажировках в ГК Softline в числе первых! -
Помощь
в трудоустройствеРазместим резюме выпускников в кадровом резерве ГК Softline -
В ногу со временем
Практика с актуальными данными и современными датасетами -
Учитесь у лучших
Половина курса — живые вебинары с преподавателем
-
Карьерный трек
Узнавайте об открытых вакансиях и стажировках в ГК Softline в числе первых! -
Помощь в трудоустройстве
Разместим резюме выпускников в кадровом резерве ГК Softline -
В ногу со временем
Практика с актуальными данными и современными датасетами -
Учитесь у лучших
Курс — живые вебинары с преподавателем
Программа курса
- Когда и зачем применять ML
- Сравнение: ML-системы vs традиционные приложения
- Компоненты ML-системы
- Производственные ограничения и цели (бизнес + ML)
- Определение требований: надёжность, масштабируемость, поддерживаемость
- Итеративная разработка и фрейминг задач
- Выбор типа задачи и постановка objective function
- Баланс между правилами и данными (mind vs data)
- Источники и форматы данных: JSON, бинарные, текстовые
- Структурированные vs неструктурированные данные
- Хранение и обработка: ETL, OLTP vs OLAP
- Потоковая и пакетная обработка (batch vs stream)
- Стратегии семплирования: random, stratified, importance
- Типы аннотаций: ручная, естественная, отсутствующие метки
- Работа с дисбалансом классов
- Аугментация и синтетические данные
- Engineered vs Learned features
- Работа с пропущенными значениями, масштабирование
- Кодирование категориальных признаков, пересечения признаков
- Выявление и предотвращение data leakage
- Метрики важности признаков
- Моделирование и обучение: выбор алгоритмов
- Метрики: точность, полнота, F1, ROC-AUC и др.
- Ансамблирование, AutoML
- Отслеживание экспериментов, распределённое обучение
- Выбор бейзлайнов, стратегии валидации
- Мифы продакшн-деплоя
- Batch vs Online Prediction
- Компрессия моделей: pruning, quantization, distillation
- Edge-ML: оптимизация, компиляция
- Облачные и локальные развёртывания
- Причины сбоев ML-систем
- Типы сдвигов: covariate, prior, concept
- Методы обнаружения и устранения
- Метрики для мониторинга ML-моделей
- Инструменты наблюдаемости и алертинга
- Stateless vs stateful retraining
- Архитектура continual learning
- A/B-тестирование, канареечные релизы, shadow deployment
- Bandits и интерливинг
Вам будут помогать
Эксперты-практики
Опытные специалисты помогают с задачами и отвечают в течение 15 минут. Они сами прошли наши курсы и понимают все сложности новичков.
Опытные преподаватели
Умеют объяснять сложные вещи простыми словами.
Спреведливые ревьюверы
Оценивают проделанную работу и дают развернутую обратную связь.
Внимательные кураторы
Следят за прогрессом обучения, всегда готовы поддержать, подбодрить и помочь в решении организационных вопросов.
Закрытое сообщество
Совместный чат, где можно задать любые вопросы из области анализа данных и программирования.
После курса вы сможете
- Проектировать ML-системы с учётом целей бизнеса, ограничений и метрик качества
- Строить конвейеры данных, обучения и применения, устраняя утечки и сбои
- Развёртывать модели в промышленной среде, настраивать мониторинг и алерты
- Выявлять сдвиги данных, предотвращать деградацию и поддерживать качество моделей
- Проводить A/B-тесты и канареечные релизы, безопасно обновлять и откатывать версии
- Организовывать непрерывное обучение и управление версиями моделей
Стоимость обучения
Курс "Архитектура ML-систем"
Базовый тариф
55 000₽
- 32 академических часа
- реальные бизнес-кейсы на практике
- поддержка куратора и преподавателя
- общий чат с экспертами в области
- домашние задания и практикумы
Оплачивайте курс так, как удобно
- Беспроцентная рассрочка или оплата частямиВыберите удобный срок рассрочки на этапе оплаты - от 4 до 24 месяцев.
- Единовременно со скидкой 13%Оформите налоговый вычет и верните до 13% от стоимости обучения.
- Не подойдет - вернем оплатуЕсли за две недели курс вам не подойдет, вернем полную стоимость. Позже - за вычетом пройденных уроков.
Повышайте квалификацию за счет компании! Получите нужные навыки и развивайтесь в профессии - обучение может оплатить вам ваш работодатель
Оставьте заявку
[В ближайшее время с Вами свяжется менеджер]
ОБРАЗОВАТЕЛЬНАЯ ЭКОСИСТЕМА
НАПРАВЛЕНИЯ ОБУЧЕНИЯ
СЕРВИСЫ
Через обучение - к успеху! Знания работают на вас