Будем писать на Python, но если ты программируешь на чем-то другом — это некритично. Вся практика будет применима на другие языки программирования. Подойдет для Data Scientists, Classic ML и NLP-инженеров уровня middle/middle+.
В курсе осваиваем навыки, которые мешают расти мидлам.
- Как обнаружить проблемы в грязных данных в самом начале работы и сделать модель, устойчивую к дрейфу
- Как учесть все инфраструктурные ограничения и раскатать модель на прод с первого раза без финансовых потерь
- Как правильно мониторить деградацию моделей в проде, делать их стабильными и автоматически переобучать
- Как строить хорошие признаки по нестабильным временным рядам — активности пользователей, курсу валют и др.
- Как расти в зарплате через связку продуктовых и бизнес-метрик: увеличивать выручку и средний чек, а не техническую точность рекомендаций
- Как тестировать раскатанную ML через A/B-тесты, избегать ложных выводов и потерь у смежных бизнес-подразделений
Программа курса
6 недель точечно закрываем каждый блок-фактор
Не просто теория, а выжимка всего опыта от TeamLead из Яндекса. Лучшие практики из BigTech, разбор реальных бизнес-кейсов и много кода, который ты напишешь самостоятельно
- Вводная часть
- Неделя 1. Feature Engineering, Bias и согласованность данных
- Неделя 2. Модели: оптимизация и нестандартные сценарии использования ML
- Неделя 3. Real-time ML, потоковая обработка, мониторинг и обслуживание
- Неделя 4. Feature Store, MLOps, оптимизация ресурсов
- Неделя 5. Связка продуктовых и бизнес-метрик
- Неделя 6. Дипломный проект
В итоге прокачаем hard’ы до уровня Senior в BigTech и научимся:
- Работать с «грязными» данными, искать смещения и дрифты
- Использовать Feature engineering в real time системах и генерировать признаки с пониманием вычислительной сложности
- Оптимизировать ML-модели для продакшна
- Использовать специфику актуальных ML/DL моделей для работы с табличными и текстовыми данными
- Контролировать жизненный цикл моделей в продакшне и строить мониторинги
- Работать с MLOps инструментами и взаимодействовать с инфраструктурой
Автор – Дмитрий Сафонов:
- Data Science Team Lead в Яндекс
- разрабатываю алгоритмы антифрода рекламы, руковожу ML-командой — Яндекс
- cтроил прогнозные модели биржевых индикаторов, разработал инфраструктуру для автоматизации ML-процессов — Quantum Brains
- преподавал анализ данных на Python — СПБГЭУ
