ТАРИФ "VIP Канонир" - СКИДКА 50%!

Перед оплатой введите промо-код:

PIRAT.BIZ_50%
  • Объявление

    Гость, Перед публикацией материалов ознакомьтесь с правилами создания и оформления раздач.

[OTUS] Промышленный Machine Learning на больших данных. Часть 4 из 4 (2020)

ALVILDA

ПОВЕЛИТЕЛЬНИЦА ИНФО ВОЛКОВ
Боцман
Регистрация
13.07.18
Сообщения
8,154
Реакции
102,423
Депозит
0
Сделки
0
Нарушения
0 / 0
Монетки
4508
    Голосов: 0
    0.0 5 0 0 https://pirat.biz/threads/otus-%D0%9F%D1%80%D0%BE%D0%BC%D1%8B%D1%88%D0%BB%D0%B5%D0%BD%D0%BD%D1%8B%D0%B9-machine-learning-%D0%BD%D0%B0-%D0%B1%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D1%85-%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85-%D0%A7%D0%B0%D1%81%D1%82%D1%8C-4-%D0%B8%D0%B7-4-2020.132929/
  • #1
Автор: OTUS
Название: Промышленный Machine Learning на больших данных. Часть 4 из 4 (2020)

1613760461717.png



Описание:

Что даст вам этот курс


Курс рассчитан на Data Engineer-ов или специалистов в машинном обучении.

Вы научитесь:
  • использовать стандартные инструменты ML-конвейеров в распределенной среде;
  • разрабатывать собственные блоки для ML-конвейеров;
  • адаптировать ML-алгоритмы к распределенной среде и инструментам big data;
  • использовать Spark, SparkML, Spar Streaming;
  • организовывать промышленные конвейеры сбора данных;
  • разрабатывать алгоритмы потоковой подготовки данных для машинного обучения;
  • обеспечивать контроль качества на всех этапах движения ML-решений в промышленную эксплуатацию.

Необходимые знания
Базовые навыки программирования:

  • управляющие конструкции, циклы, рекурсия;
  • основные структуры данных: массивы, списки, словари, деревья;
  • базовые принципы ООП;
  • знакомство с одним из языков: Python, Java, Scala, C++.
  • Математика:
  • линейная алгебра: вектора, матрицы и их произведения;
  • матан: производная простых и композитных функций;
  • вычметоды: градиентный спуск, Ньютоновские итерации;
  • теория вероятности: случайные события и величины, математическое ожидание, дисперсия.
Технологии:
  • понимание основ работы вычислительной техники в рамках архитектуры фон Неймана (процессор, память, кэш, подключаемое хранилище);
  • понимание общих принципов реляционных СУБД, знание SQL.
Будет плюсом: знакомство с классическими алгоритмами машинного обучения.

Программа:

Базовые вводные для старта курса
  • Тема 1. Градиентный спуск и линейные модели
  • Тема 2. Обзор основных методов и метрик машинного обучения
  • Тема 3. Основы программирования на Scala

Технологические основы распределенной обработки данных
  • Тема 4. Эволюция параллельных алгоритмов
  • Тема 5. Менеджеры ресурсов в распределенных системах
  • Тема 6. Распределенные хранилища
  • Тема 7. Основы Apache Spark

Основы распределенного МL
  • Тема 8. Перенос МЛ-алгоритмов в распределенную среду
  • Тема 9. ML в Apache Spark
  • Тема 10. Разработка собственных блоков для SparkML
  • Тема 11. Сторонние библиотеки для использования со Spark
  • Тема 12. Оптимизация гиперпараметров и AutoML

Потоковая обработка данных
  • Тема 13. Потоковая обработка данных
  • Тема 14. Spark Streaming
  • Тема 15. Структурный и непрерывный стриминг в Spark
  • Тема 16. Альтернативные потоковые фреймворки

Целеполагание и анализ результатов
  • Тема 17. Определение цели МЛ-проекта и предварительный анализ
  • Тема 18. Долгосрочные ML-цели на примере задачи уменьшения оттока
  • Тема 19. А/Б тестирование
  • Тема 20. Дополнительные темы

Вывод результатов ML в продакшн
  • Тема 21. Подходы к выводу ML-решений в продакшн
  • Тема 22. Версионирование, воспроизводимость и мониторинг
  • Тема 23. Онлайн-сервинг моделей
  • Тема 24. Паттерны асинхронного потокового ML и ETL
  • Тема 25. Если надо Python
  • Тема 26. Альтернативные фреймворки с поддержкой Python и область применимости Dusk, KubeFlow, Seldon Core, H2O. Особенности эксплуатации гетерогенных систем в проме

ML на python в продакшне
  • Тема 27. Production Code на Python. Организация и Packaging кода
  • Тема 28. REST-архитектура: Flask API
  • Тема 29. Docker: Структура, применение, деплой
  • Тема 30. Amazon Sagemaker
  • Тема 31. AWS ML Service

Продвинутые топики
  • Тема 32. Нейросети
  • Тема 33. Распределенное обучение и инференс нейросетей
  • Тема 34. Градиентный бустинг на деревьях
  • Тема 35. Обучение с подкреплением

Подробнее:
Для просмотра ссылок пройдите регистрацию


Скачать:
Для просмотра ссылок пройдите регистрацию
 
Верх Низ