Скачать Промышленный Machine Learning на больших данных. Часть 1 из 4 - OTUS (2020)

[Yuffy]

Промышленный Machine Learning на больших данных. Часть 1 из 4
Автор: OTUS

Что даст вам этот курс

Курс рассчитан на Data Engineer-ов или специалистов в машинном обучении.

Вы научитесь:

• использовать стандартные инструменты ML-конвейеров в распределенной среде;
• разрабатывать собственные блоки для ML-конвейеров;
• адаптировать ML-алгоритмы к распределенной среде и инструментам big data;
• использовать Spark, SparkML, Spar Streaming;
• организовывать промышленные конвейеры сбора данных;
• разрабатывать алгоритмы потоковой подготовки данных для машинного обучения;
• обеспечивать контроль качества на всех этапах движения ML-решений в промышленную эксплуатацию.

Необходимые знания
Базовые навыки программирования:

• управляющие конструкции, циклы, рекурсия;
• основные структуры данных: массивы, списки, словари, деревья;
• базовые принципы ооп;
• знакомство с одним из языков: Python, Java, Scala, C++.
• Математика:
• линейная алгебра: вектора, матрицы и их произведения;
• матан: производная простых и композитных функций;
• вычметоды: градиентный спуск, Ньютоновские итерации;
• теория вероятности: случайные события и величины, математическое ожидание, дисперсия.

Технологии:

• понимание основ работы вычислительной техники в рамках архитектуры фон Неймана (процессор, память, кэш, подключаемое хранилище);
• понимание общих принципов реляционных субд, знание sql.

Будет плюсом: знакомство с классическими алгоритмами машинного обучения.

Спойлер: Программа:

Программа:

Базовые вводные для старта курса

• Тема 1. Градиентный спуск и линейные модели
• Тема 2. Обзор основных методов и метрик машинного обучения
• Тема 3. Основы программирования на Scala

Технологические основы распределенной обработки данных

• Тема 4. Эволюция параллельных алгоритмов
• Тема 5. Менеджеры ресурсов в распределенных системах
• Тема 6. Распределенные хранилища
• Тема 7. Основы Apache Spark

Основы распределенного МL

• Тема 8. Перенос МЛ-алгоритмов в распределенную среду
• Тема 9. ML в Apache Spark
• Тема 10. Разработка собственных блоков для SparkML
• Тема 11. Сторонние библиотеки для использования со Spark
• Тема 12. Оптимизация гиперпараметров и AutoML

Потоковая обработка данных

• Тема 13. Потоковая обработка данных
• Тема 14. Spark Streaming
• Тема 15. Структурный и непрерывный стриминг в Spark
• Тема 16. Альтернативные потоковые фреймворки

Целеполагание и анализ результатов

• Тема 17. Определение цели МЛ-проекта и предварительный анализ
• Тема 18. Долгосрочные ML-цели на примере задачи уменьшения оттока
• Тема 19. А/Б тестирование
• Тема 20. Дополнительные темы

Вывод результатов ML в продакшн

• Тема 21. Подходы к выводу ML-решений в продакшн
• Тема 22. Версионирование, воспроизводимость и мониторинг
• Тема 23. Онлайн-сервинг моделей
• Тема 24. Паттерны асинхронного потокового ml и etl
• Тема 25. Если надо Python
• Тема 26. Альтернативные фреймворки с поддержкой Python и область применимости Dusk, KubeFlow, Seldon Core, h2o. Особенности эксплуатации гетерогенных систем в проме

ML на python в продакшне

• Тема 27. Production Code на Python. Организация и Packaging кода
• Тема 28. rest-архитектура: Flask api
• Тема 29. Docker: Структура, применение, деплой
• Тема 30. Amazon Sagemaker
• Тема 31. aws ml Service

Продвинутые топики

• Тема 32. Нейросети
• Тема 33. Распределенное обучение и инференс нейросетей
• Тема 34. Градиентный бустинг на деревьях
• Тема 35. Обучение с подкреплением

Продажник:

Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.

Скачать:

Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.