Зачем это нужно
Курс начинается с общей точки отсчёта: мы проверяем рабочие навыки, а не устраиваем экзамен по информатике. Это позволяет вовремя закрыть пробелы и не теряться на практиках.
Обещание курса: провести вас от готового ML baseline до промышленной эксплуатации. Мы не будем учиться обучать первую нейросеть с нуля: предполагается, что модель или задача уже есть, а задача инженера — сделать её воспроизводимой, поставляемой и наблюдаемой.
Основные идеи
Входная диагностика охватывает четыре области:
| Область | Что достаточно уметь |
|---|---|
| Linux | файлы, права, процессы, shell-команды |
| Git | clone, branch, commit, push, pull request |
| Python | функции, импорты, виртуальное окружение, чтение ошибок |
| HTTP | request/response, методы, status code, JSON |
C++ не требуется. Он может пригодиться для отдельных ML-библиотек, но не является входным условием или целью программы.
Готовый baseline — простая модель и код, которые уже можно запустить. Даже логистическая регрессия с честной метрикой полезнее «идеальной» идеи без данных, тестов и способа доставки.
Как это выглядит на практике
В начале вы получаете небольшой репозиторий с HTTP-сервисом POST /predict. Нужно:
Создать ветку и сделать commit.
Запустить Python-проект в виртуальном окружении.
Отправить JSON-запрос и объяснить ответ
200или ошибку422.Найти лог сервиса, если запрос не прошёл.
Если один из шагов незнаком, это не провал: он становится персональным списком тем для повторения перед следующими занятиями.
Что сделать после занятия
Оцените себя по четырём темам диагностики: уверенно / нужно повторить / впервые вижу.
Установите Git, Python 3 и удобный терминал на рабочей машине.
Сформулируйте в одном предложении разницу между ML-исследованием и MLOps.