Robot
Складчик
- #1
[Яндекс Практикум] Инженер машинного обучения
- Ссылка на картинку
Что делает инженер машинного обучения:
Работает с данными и создаёт на их основе алгоритмы машинного обучения, которые помогают решать прикладные задачи.
Инженерная составляющая подразумевает подготовку и вывод модели в работу, поддержка её качества, улучшение эффективности. ML-Engineer часто работает в паре со специалистами по Data Science, аналитиками данных и дата-инженерами.
Что желательно знать до начала учёбы:
Python: базовые навыки, Jupyter Notebook, библиотеки Pandas и другие
SQL: базовые запросы и предобработка данных внутри запроса
Работа с данными: подготовка, чистка, описательная статистика
Принципы классического машинного обучения: выбор алгоритма для модели и её обучение
После курса вы будете уметь:
• Собирать данные и запускать с ними регулярные процессы, обучать модели в стабильной инфраструктуре, выводить модели в продакшен
• Находить ошибки в процессах, улучшать базовый pipeline машинного обучения и сами модели
• Создавать и контейнеризировать микросервисы
• Строить модели uplift-моделирования
• Строить модели неперсонализированных рекомендаций, контентной и коллаборативной фильтрации
Познакомитесь с популярными инструментами и технологиями и освоите всё то, что инженеры машинного обучения регулярно используют в работе:
• Docker
• FastAPI
• AirFlow
• MLflow
• Yandex Cloud
А ещё разработаете 3 больших проекта:
• Обучите модель, предсказывающую события на данных Яндекс Недвижимости. Создадите на её основе микросервис и развернёте в облачной инфраструктуре.
• Разработаете рекомендательную систему для улучшения предсказаний в сервисе Яндекс Музыка.
• Решите задачу uplift-моделирования и поймёте, на какую аудиторию следует ориентироваться и какой финансовый эффект это даст.
Работает с данными и создаёт на их основе алгоритмы машинного обучения, которые помогают решать прикладные задачи.
Инженерная составляющая подразумевает подготовку и вывод модели в работу, поддержка её качества, улучшение эффективности. ML-Engineer часто работает в паре со специалистами по Data Science, аналитиками данных и дата-инженерами.
Что желательно знать до начала учёбы:
Python: базовые навыки, Jupyter Notebook, библиотеки Pandas и другие
SQL: базовые запросы и предобработка данных внутри запроса
Работа с данными: подготовка, чистка, описательная статистика
Принципы классического машинного обучения: выбор алгоритма для модели и её обучение
После курса вы будете уметь:
• Собирать данные и запускать с ними регулярные процессы, обучать модели в стабильной инфраструктуре, выводить модели в продакшен
• Находить ошибки в процессах, улучшать базовый pipeline машинного обучения и сами модели
• Создавать и контейнеризировать микросервисы
• Строить модели uplift-моделирования
• Строить модели неперсонализированных рекомендаций, контентной и коллаборативной фильтрации
Познакомитесь с популярными инструментами и технологиями и освоите всё то, что инженеры машинного обучения регулярно используют в работе:
• Docker
• FastAPI
• AirFlow
• MLflow
• Yandex Cloud
А ещё разработаете 3 больших проекта:
• Обучите модель, предсказывающую события на данных Яндекс Недвижимости. Создадите на её основе микросервис и развернёте в облачной инфраструктуре.
• Разработаете рекомендательную систему для улучшения предсказаний в сервисе Яндекс Музыка.
• Решите задачу uplift-моделирования и поймёте, на какую аудиторию следует ориентироваться и какой финансовый эффект это даст.
