Онлайн-курс “MLOps” (ML + DevOps + Software Engineering) від robot_dreams (подія в архіві)

Станьте MLOps Engineer і будуйте кар’єру на перетині ML + DevOps + Software Engineering 🤖

Про курс

Моделі машинного навчання створюють, тестують і покращують — але так і не запускають у production через складність деплою. Дізнайтеся, як запускати повноцінні MLOps-пайплайни на практиці — від тренування моделей до автоматичного деплою, версіювання та моніторингу 🦾

Протягом 16 занять ви:

🔧 опануєте сучасні інструменти MLOps — MLflow, DVC, Docker, Airflow, Kubeflow, AWS SageMaker та інші
🦾 зможете автоматизувати запуск, обслуговування та оновлення ML-моделей
💡 налагодите reproducibility та version control
🤖 засвоїте CI/CD-практики в ML-процесах

Після курсу ви зможете запускати повноцінні MLOps-пайплайни:
від збирання даних і тренування моделей до автоматичного деплою, версіювання та моніторингу в продакшені 🧠

Лектор

Тимофій Охріменко
Software & MLOps Engineer у Beewise

• має понад 13 років досвіду в IT: 6+ років як Software Engineer і понад 3 роки в ролі DevOps- і MLOps-інженера
• побудував MLOps-інфраструктуру з нуля, що прискорило тренування моделей в 3 рази
• автоматизував деплой ML-проєктів на AWS, скоротивши розгортання з 2 годин до 15 хвилин
• оптимізував обробку даних, підвищивши точність моделей на 12%

Цей курс для

➔ ML Engineers, Data Scientists,
щоб не зупинятися на Jupyter Notebook, а запускати ML-моделі в продакшн — з автоматизацією деплою, логування й моніторингу

➔ DevOps і SRE Engineers,
щоб розібратись у специфіці ML-проєктів, налаштувати CI/CD для моделей та масштабувати ML-інфраструктуру

➔ Software Engineers (Backend, Cloud, Platform),
щоб інтегрувати ML-моделі в продакшн-сервіси через API та забезпечити стабільну роботу ML-рішень

➔ Data Engineers,
щоб створювати надійні data-пайплайни для ML — від ETL-процесів до управління даними в хмарі

Детальніше про курс 🔗

💡 Усі статті, обговорення, новини про DevOps — в одному місці. Приєднуйтесь до DevOps спільноти!