Специалистам по Data Science и Machine Learning
Разберётесь в ключевых инструментах MLOps, чтобы эффективно работать с ML‑моделями на всех этапах — от экспериментов до внедрения
ML-инженерам и специалистам по DevOps
Научитесь разворачивать ML‑модели и обеспечивать их стабильную работу: автоматическое развёртывания, мониторинг, обновление версий в продакшне
Инженерам данных
Погрузитесь в новую предметную область и выйдете за рамки классических ETL‑процессов: научитесь организовывать ML‑пайплайны и обеспечивать работу моделей
Оценивать зрелость проекта и разрабатывать MLOps-архитектуру под его задачи
Автоматизировать жизненный цикл ML-модели: от обработки данных до мониторинга
Развёртывать ML-модели в продакшне и оптимизировать их
Настраивать CI/CD‑процессы для автоматизации обновлений ML‑моделей
Обеспечивать непрерывный мониторинг метрик, сбоев, логов и реагирование на них
Работать в облачной среде Yandex Cloud и управлять ML‑инфраструктурой
Подходы и инструменты, которые вы освоите
Деплой ML-моделей на FastAPI
Скидка за прохождение
Узнаете, как развёртывать ML-модели, используя FastAPI
Скидка за прохождение
Введение в MLOps
Практики разработки
DevOps — и CI/CD‑практики
1 проект
Контейнеризация и облачное окружение
Качество и версионирование данных
1 проект
Отслеживание экспериментов и управление ML-моделями
1 проект
Оркестрация и ML-пайплайны
1 проект
Развёртывание ML-моделей
1 проект
Мониторинг и обратная связь
Итоговый проект на датасете Яндекс Маркета
1 проект
Построите полный MLOps-пайплайн: подготовите данные, обучите модель, настроите управление версиями в MLflow или ClearML, организуете хранение артефактов, развернёте API‑сервис и настроите мониторинг качества.
Сможете выбрать инфраструктуру для инференса: виртуальные машины или Kubernetes.
Проходят в будни вечером или в выходные.
Разберёте сложные темы и интересные кейсы
Разработана и поддерживается опытными инженерами.
Получите доступ в один клик, прямо с платформы.
Практикум ИИ сделает краткий пересказ и объяснит
непонятное другими словами
Задания в тренажёре, на воркшопах и в проектах легко
переложить на свою работу
Разработали программу курса
Это специалисты в области машинного обучения с многолетним опытом
Катерина Цаплина
MLOps-инженер/ИИ-архитектор в сфере горно-металлургической промышленности
Развивает MLOps-процесс для промышленных задач — от обогащения руды до систем безопасности.
Антон Алексеев
Dev/MLOps‑инженер
Специализируется на построении инфраструктуры для ML, в том числе на GPU, в e-com и облаке. Преподаёт в СПбПУ облачные технологии и DevOps.
Алексей Григорьев
ML-инженер в ID R&D (Mitek Systems)
5+ лет занимается задачами по компьютерному зрению, улучшением MLOps-процессов и автоматизацией жизненного цикла ML‑моделей.
Александр Самофалов
ML‑инженер
Имеет опыт в разработке моделей анализа временных рядов и оптимизации MLOps‑процессов. Работал в финтехе и телекоме.
Владимир Кочетков
ML‑тимлид в крупной компании —производителе IT-оборудования
5+ лет развивает ML‑решения по обработке речевых данных. Выступает на конференциях DataFest и I’ML.
Разрабатывают и поддерживают инфраструктуру
где вы будете выполнять практические задания
Александр Дядиченко
SRE в крупном ретейле
Специализируется на разработке больших кластеров обработки данных и построении автоматизированных систем.
С дедлайнами
Для тех, кому важно чёткое расписание
В своём темпе
Для тех, кому важна гибкость
Курс рассчитан на специалистов, которые уже работали с ML‑моделями и инфраструктурой.
Для комфортного обучения понадобится опыт:
Обучение в своём темпе подойдёт тем, кому сложно подстроить график под расписание курса. Но важно помнить, что такой формат требует самоконтроля и высокой мотивации. С дедлайнами будет проще поддерживать темп занятий и пройти курс до конца.