Научно-исследовательский семинар "Введение в MLOps"

Магистратура 2024/2025

Статус: Курс по выбору (Искусственный интеллект)

Направление: 01.04.02. Прикладная математика и информатика

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 2-й курс, 1 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Гаврилова Елизавета Владимировна

Прогр. обучения: Машинное обучение и высоконагруженные системы

Язык: русский

Кредиты: 3

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Студенты узнают базовые методы, метрики и концепции машинного обучения, необходимые для решения задач регрессии и классификации. Практическая часть курса реализовывается на языке Python. Курс является необходимым для изучения более продвинутых разделов машинного обучения.

Цель освоения дисциплины

1. Знать базовые концепции и определения машинного обучения: виды постановки задач, виды признаков и т.д.
2. Работать с табличными данными: загружать, сохранять, модифицировать, агрегировать, работать с пропущенными значениями и т.д.
3. Знать и уметь применять методы ближайших соседей.
4. Знать принцип работы линейной регрессии и ее модификаций (Lasso, Ridge) и уметь их применять.
5. Знать принцип действия работы градиентного спуска.
6. Знать принцип работы логистической регрессии и уметь ее применять.
7. Знать основные метрики задач регрессии и классификации и уметь выбирать среди них оптимальную в зависимости от постановки задачи.
8. Знать метод tf-idf и уметь применять его для текстовых данных.

Планируемые результаты обучения

MLFlow для экспериментов, Flask для HTTP API, Синхронный и асинхронный ML сервис, Docker для контейнеризации Python-сервиса
Определяет: - понятие и назначение MLOPS; - как правильно построить цикл обучения и отправки модели в производственную среду; - основные показатели мониторинга моделей машинного обучения.
Знает и понимает цели и задачи работы над отчетностью по проекту. Знает и понимает основы критического анализа проделанной работы. Знает и понимает требования, предъявляемые к итоговому анализу существа проектной документации для целей подготовки финального отчета и работы над ошибками в рамках реализации и презентации проекта. Способен применить полученные знания, умения и навыки в отношении смоделированной или конкретной жизненной ситуации, предполагающей реализацию проекта.
Создание рабочих процессов с помощью AirFlow, включая определение задач, настройку расписания выполнения, определение зависимостей и передачу данных между задачами
Имеют представление о базовых концепциях и определении машинного обучения: виды постановки задач, виды признаков и т.д.
Работать с табличными данными: загружать, сохранять, модифицировать, агрегировать, работать с пропущенными значениями и т.д.
Уметь применять методы ближайших соседей.
Владеть принципами работы линейной регрессии и ее модификаций (Lasso, Ridge) и уметь их применять.
Знакомы с принципом действия работы градиентного спуска.
Знакомы с принципом работы логистической регрессии и уметь ее применять.
Знакомы с основными метриками задач регрессии и классификации и выбирают среди них оптимальную в зависимости от постановки задачи.
Знакомы с методом tf-idf и применяют его для текстовых данных.