Поиск по занятиям
Ищите по заголовкам и коротким описаниям всех 107 занятий. Фильтры сохраняются, пока вы не обновите страницу.
107 результатов
Диагностика и ожиданияДиагностика и ожидания Зачем это нужно Курс начинается с общей точки отсчёта: мы проверяем рабочие навыки, а не устраиваем экзамен по информатике. Это позволяетPython-проект и окружениеPython проект и окружение Зачем это нужно Inference сервис должен запускаться одинаково у разработчика, в CI и в контейнере. Случайный набор пакетов в глобальноpytest и контрактыpytest и контракты Зачем это нужно Модель может выдавать правильный score, но сервис всё равно сломается из за изменённого JSON поля, status code или формата ошFastAPI и PydanticFastAPI и Pydantic Зачем это нужно Модель принимает массивы и числа, а клиент отправляет HTTP и JSON. FastAPI и Pydantic создают явный, проверяемый контракт межSQL для ML-инженераSQL для ML инженера Зачем это нужно Многие признаки живут в реляционных таблицах: пользователи, заказы, события, платежи. ML инженеру не нужно быть DBA, но нужнБазовый ML baselineБазовый ML baseline Зачем это нужно MLOps не исправляет неясную ML задачу. До контейнера и Kubernetes нужен честный baseline: измеримый, воспроизводимый и достаКак устроена разработка ML-продуктаКак устроена разработка ML продукта Зачем это нужно Если вы умеете обучать модель в Jupyter Notebook, это ещё не значит, что вы умеете делать продукт. В реальноЖизненный цикл задачи: от идеи до поддержкиЖизненный цикл задачи: от идеи до поддержки Зачем это нужно В учебных заданиях дедлайн — это дата сдачи. В продуктовой разработке дедлайн — лишь одна точка на дJira: задачи, истории и критерии приёмкиJira: задачи, истории и критерии приёмки Зачем это нужно Когда над проектом работают пять человек, «спроси в чате» перестаёт работать. Jira — система учёта задаConfluence: документация командыConfluence: документация команды Зачем это нужно Код отвечает на вопрос как система работает сейчас. Но команда также должна знать зачем принято решение, как поGit: основы версионирования кодаGit: основы версионирования кода Зачем это нужно Вы уже писали Python и C++ — возможно, сохраняли файлы как . Git решает эту проблему системно: каждое изменениеPull Request, code review и защита mainPull Request, code review и защита main Зачем это нужно Commit в свою ветку — личное дело. Merge в — ответственность перед всей командой: завтра этот код пойдётТерминал и операционная системаТерминал и операционная система Зачем это нужно ML модель в ноутбуке живёт на вашем ноутбуке. ML сервис в продакшене живёт на Linux сервере без графического интСеть и диагностикаСеть и диагностика Зачем это нужно ML сервис редко работает изолированно: он принимает HTTP запросы, ходит в базу за фичами, тянет модель из S3. Когда «что то нsystemd: сервис под управлением ОСsystemd: сервис под управлением ОС Зачем это нужно Запустить inference сервис командой в терминале — нормально для разработки. В продакшене терминал закроется, Зачем нужна архитектураЗачем нужна архитектура Зачем это нужно «Просто напишем API и вызовем model.predict» — работает в демо. В продакшене появляются вопросы: где хранить фичи? как оC4-модель: Context и ContainersC4 модель: Context и Containers Зачем это нужно Архитектурные диаграммы часто превращаются в «кашу из стрелок»: 40 блоков, никто не понимает, за что отвечает MLADR и RFC: фиксация архитектурных решенийADR и RFC: фиксация архитектурных решений Зачем это нужно Через полгода никто не вспомнит, почему вы выбрали batch scoring вместо online API. Новый MLE предложиНепрерывная архитектураНепрерывная архитектура Зачем это нужно Классический подход: архитектор нарисовал диаграмму на год вперёд, команда «должна следовать». Реальность: требования меИдея контейнеров: образ, контейнер, изоляцияИдея контейнеров: образ, контейнер, изоляция Зачем это нужно На вашем ноутбуке Python 3.11, библиотеки установлены «как получилось», путь к данным — . На серверDockerfile: сборка образа и multi-stageDockerfile: сборка образа и multi stage Зачем это нужно из чужого образа — это потребление. В MLOps вы создаёте образы: inference API, worker обучения, утилита Docker Compose: несколько сервисов локальноDocker Compose: несколько сервисов локально Зачем это нужно Реальный ML сервис редко живёт один: inference API, Redis для кэша, PostgreSQL для метаданных, MinIOФилософия CI/CD: непрерывная интеграция и поставкаФилософия CI/CD: непрерывная интеграция и поставка Зачем это нужно Вы закоммитили модель и API в Git. Как убедиться, что код собирается, тесты проходят, образ вУстройство Jenkins: controller, agents, JenkinsfileУстройство Jenkins: controller, agents, Jenkinsfile Зачем это нужно Jenkins — один из самых распространённых CI серверов в enterprise, включая ML платформы курсПайплайн качества: lint, test, build, pushПайплайн качества: lint, test, build, push Зачем это нужно Зелёный Jenkins — не самоцель. Цель — гарантировать , что каждый артефакт в registry прошёл согласова