Разработка и эксплуатация моделей машинного обучения

2026/2027

Статус: Маго-лего

Кто читает: Департамент прикладной математики

Где читается: Московский институт электроники и математики им. А.Н. Тихонова

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 6

Контактные часы: 60

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс предназначен для разработчиков, желающих углубить знания в области машинного обучения (ML) и освоить ключевые инструменты для работы с ML-системами. Программа охватывает полный цикл разработки: от подготовки данных до развертывания и мониторинга моделей. Студенты познакомятся с методологией CRISP-ML, инструментами управления данными (DVC, Git), базами данных (реляционными, объектными, векторными), а также освоят трекинг экспериментов с MLFlow. Научатся контейнеризировать приложения с помощью Docker и настраивать развертывание в Kubernetes. Особое внимание будет уделено CI/CD процессам и мониторингу ML-систем с использованием Prometheus и Grafana. Практические задания включают настройку хранилищ данных, автоматизацию с Airflow, развертывание моделей, создание REST API и настройку мониторинга. Завершает курс защита проекта и тренировка технических собеседований. При обучении предусмотрен контроль знаний студентов в виде проектной работы и промежуточных контролей, сумма баллов за которые составляет итоговую оценку за курс.

Цель освоения дисциплины

Целью освоения дисциплины является формирование у студентов теоретических знаний и практических навыков, необходимых для полного цикла работы с ML-системами: от подготовки данных и создания моделей до их развертывания, мониторинга и автоматизации процессов.

Планируемые результаты обучения

Способен получать, очищать, анализировать и визуализировать большие объёмы данных
Способен реализовывать модели и алгоритмы прикладной математике в виде компьютерных программ
Знает методологию CRISP-ML, устройство разработки ML проекта.
Знает о наиболее распространенных хранилищах, базах данных
Знает локальные и распределенные файловые системы, базы данных: реляционные, объектные
Знает о подходах к версионированию данных (кода, датасетов, моделей)
Знает, что такое разметка данных, зачем нужна и в каких ситуациях
Умеет версионировать данные с помощью связки инструментов dvc + git
Знает, что такое векторный движок, векторная база данных, key-value база данных
Знает, что такое ML эксперимент, как его ставить, какие данные об эксперименте нужно сохранять, чтобы этот эксперимент можно было повторить
Знает о типичных инструментах для трекинга, анализа эксперимента таких как MLFlow, KubeFlow + TensorBoard
Знает, что такое Docker, Kubernetes, что это за инструменты, для чего используются, какие проблемы решают, базово про их устройство
Знает, что такое http запрос, REST API, о том как можно обернуть модель в REST сервис
Умеет выполнять базовые команды Docker, как собирать, загружать образы, Dockerfile, docker-compose
Умеет делать базовое web приложение на Flask/FastAPI
Знает о подходах к обертке модели в сервис посредством готовых инструментов
Знает, в чем плюсы и минусы в сравнении с собственной реализацией, области применения
Знает о различных форматах представления, экспорта моделей, способов их оптимизации, в том числе на ГПУ
Умеет использовать и синхронизировать потоки
Знает о том, что такое регулярные расчеты, ETL, потоковая и батчевая обработка данных
Знает про инструменты запуска регулярных расчетов (Airflow), обработки потоковых данных (Kafka), их принципы работы
Знает про типичные задачи, которые решаются этими инструментами
Знает, в чем состоит концепция CI/CD, чем он может быть полезен, какие типичные сценария применения в рабочих процессах
Умеет настраивать CI/CD пайплайны в рамках gitlab
Знает, зачем нужно настраивать мониторинг своих сервисов, какие обычно метрики отслеживают, в том числе и ML специфичные
Знает о базовых концепциях аб тестирования
Умеет настраивать дашборды с метриками
понимает, на какие процессы раскладывается жизненный цикл ML моделей (crisp-ml) и их роль в обеспечении эффективной работы ML моделей
Уметь работать с виртуальными окружениями в контексте python-проекта (venv/poetry/uv).
Понимать, что такое контейнеризация и в чем её преимущества для развертывания приложений.
Понимать как устроен Docker, основные концепции, может собрать образ, запустить, работать с контейнерами.
Понимать принцип работы Docker Compose и его использование для управления мультиконтейнерными приложениями.
Понимать концепцию container registry и умеет работать с gitlab container registry.
Уметь получать данные из s3 и других баз данных; знать жизненный цикл данных, в каких системах "живут" данные; знать, чем системы управления базами данных различаются и как выбрать подходящую для задачи.

Содержание учебной дисциплины

Введение в Python
Библиотека Numpy
Д/З: написание типовых конструкций с использованием выражений-генераторов и функций.
Библиотека Pandas
Д/З: написать программу для скачивания информации о самых популярных 5000 книг из раздела "Художественная литература" магазина "Relod" с использованием библиотек BeautifulSoup и/или lxml.
Визуализация данных
Углубленный Python. Часть 1
Углубленный Python. Часть 2
Парсинг данных с помощью Python
Введение в статистику - 1
Д/З: Мини-проект по анализу данных
Введение в статистику - 2
Временные ряды
Д/З: Kaggle Inclass
Введение в SQL
Введение
Хранилища данных, сбор и версионирование данных
Хранилища данных: векторные движки, key-value хранилища
Воспроизводимость в ML
Развертка моделей: часть 1
Развертка моделей: часть 2
Регулярный запуск расчетов, потоковая обработка
CI/CD: тестирование, автоматизация операций
Мониторинг ML системы
MLOps: инструменты разработки
Работа с данными, хранилища, БД

Элементы контроля

SUM_11_ДОМАШНИХ ЗАДАНИЙ
Экзамен

Промежуточная аттестация

2026/2027 4th module
Формула оценивания: SUM_11_ДОМАШНИХ ЗАДАНИЙ + ЭКЗАМЕН (ЗАЩИТА ПРОЕКТА) Правила округления: 10 –от 95 до 100, 9 –от 85 до 94, 8 –от 80 до 84, 7 – от 65 до 79, 6 –от 60 до 64, 5 –от 45 до 59, 4 –от 40 до 44, 3 –от 25 до 39, 2 –от 15 до 24, 1 –от 5 до 14, 0 –от 0 до 4

Список литературы

Авторы

Сластников Сергей Александрович
Юнышева Анастасия Владимировна
Крепкер Виктор Алексеевич

Программа дисциплины