Проектирование и реализация систем машинного обучения
- 0.0
-
Approx. 58 hours to complete
Course Summary
Learn how to design and implement effective machine learning solutions with this comprehensive course. From understanding the foundations of ML to building algorithms and models, this course covers all aspects of machine learning design.Key Learning Points
- Learn how to design effective machine learning solutions
- Gain practical experience building algorithms and models
- Understand the foundations of machine learning
Related Topics for further study
- Machine Learning Design
- Algorithms and Models
- Foundations of Machine Learning
- Data Analysis
- Data Visualization
Learning Outcomes
- Design effective machine learning solutions
- Build and implement algorithms and models
- Understand the foundations of machine learning
Prerequisites or good to have knowledge before taking this course
- Basic programming knowledge
- Familiarity with linear algebra and calculus
Course Difficulty Level
IntermediateCourse Format
- Self-paced
- Online
Similar Courses
- Applied Machine Learning
- Advanced Machine Learning
- Introduction to Data Science
Related Education Paths
Notable People in This Field
- Chief AI Scientist at Facebook
- Co-Director of Stanford Institute for Human-Centered AI
Related Books
Description
Модель машинного обучения, обученная с высокой точностью — это хорошо, но не достаточно. Чтобы полностью раскрыть ее потенциал и начать решать с ее помощью реальные задачи, необходимо провести дополнительную работу по запуску модели в виде какого-то сервиса. В эту работу входит проектирование системы обработки данных, создание инфраструктуры для этой системы, оптимизация работы модели и последующий анализ работы полученного сервиса.
Knowledge
- Работа с контейнеризированными приложениями
- Анализ данных работы сервиса
- Оптимизация моделей машинного обучения
- Быстрый поиск релевантного ответа к запросу
Outline
- Развертывание ML-моделей
- Проморолик
- Развертывание ML-сервиса
- Docker
- Практическое занятие: Docker
- Оркестрация контейнеров
- Практическое занятие: Docker Compose
- Практическое занятие: Docker Swarm
- Обработка запросов в реальном времени
- Практическое занятие: Flask
- Асинхронная обработка запросов
- Практическое занятие: Celery
- Презентация: Развертывание ML-моделей
- Docker
- Оркестрация контейнеров
- Синхронная обработка запросов
- Асинхронная обработка запросов
- Анализ системы и продуктовая аналитика
- Аналитика
- Офлайн и онлайн-метрики
- Проверка гипотез
- Статистические тесты
- Практическое занятие: Статистические тесты
- Практическое занятие: Нормальное распределение
- Онлайн-метрики
- A/B-тестирование
- Подбор онлайн-метрик
- Офлайн-метрики
- Практическое занятие: Офлайн-метрики
- Продуктовая сторона
- Презентация: Анализ системы и продуктовая аналитика
- Онлайн и офлайн-метрики
- Проверка гипотез
- Статистические тесты
- Онлайн-метрики
- A/B-тестирование
- Подбор онлайн-метрик
- Офлайн-метрики
- Полный цикл разработки ML-сервиса
- Процесс ввода изменений
- Требования к вводу в эксплуатацию
- Воспроизводимое обучение моделей
- Версионирование релизов
- Практическое занятие: MLflow
- Практическое занятие: Подготовка модели к дистрибуции
- Практическое занятие: Выкладка модели
- Задание для самостоятельной работы
- Изменения с технической стороны
- Типы и стратегии внедрения обновлений
- Обновления с несовместимыми изменениями
- Практическое занятие: Поэтапный процесс ввода модели
- Практическое занятие: Процесс верификации новой версии
- Практическое занятие: Откат версии
- Задание для самостоятельной работы
- Презентация: Полный цикл разработки ML-сервиса
- Требования к вводу в эксплуатацию
- Воспроизводимое обучение моделей
- Версионирование релизов
- Изменения с технической стороны
- Оптимизация моделей, исполнение на клиенте
- Оптимизация моделей машинного обучения
- Прореживание сети
- Практическое занятие: Прореживание нейронных сетей
- Практическое занятие: Прореживание нейронных сетей, продолжение
- Дистилляция
- Практическое занятие: Дистилляция
- Квантизация
- Практическое занятие: Квантизация нейронных сетей
- Практическое занятие: Квантизация, продолжение
- Запуск на мобильных устройствах
- Особенности кодирования
- Практика: запуск моделей на устройстве пользователя
- Transfer learning
- Презентация: Оптимизация моделей, исполнение на клиенте
- Прореживание нейронных сетей
- Дистилляция
- Квантизация нейронных сетей
- Оптимизированные архитектуры для запуска на мобильных устройствах
- Поиск приближенного ответа
- Введение в задачу kNN
- Точный поиск ближайших соседей
- Приближенный поиск ближайших соседей
- Алгоритмы приближенного поиска
- Практическое занятие: LSH
- K-Means
- HNSW
- Масштабирование алгоритмов приближенного поиска
- Практическое занятие: Приближенный поиск kNN
- Векторизация и альтернативы
- Презентация: Поиск приближенного ответа
- Метрики при поиске соседей
- Алгоритмы поиска ближайших соседей
- Использование алгоритмов поиска на больших данных
Summary of User Reviews
Discover the essentials of designing machine learning systems with this highly informative course. Users have found the course to be incredibly useful, providing them with a comprehensive overview of the topic. One key aspect that many users thought was good was the level of detail provided in each lecture.Pros from User Reviews
- Provides a comprehensive overview of machine learning design
- Lectures are informative and well-structured
- Course materials are accessible and easy to follow
Cons from User Reviews
- Some users found the course to be too basic
- The course is quite lengthy and time-consuming
- Some users felt that the course lacked practical examples
Проектирование и реализация систем машинного обучения
- 0.0
-
Модель машинного обучения, обученная с высокой точностью — это хорошо, но не достаточно. Развертывание ML-моделей Проморолик Развертывание ML-сервиса Docker Практическое занятие: Docker...
