Модели не могут сами по себе добраться до промышленного использования и начать приносить деньги бизнесу. Для этого необходимо много ресурсов разработчиков и аналитиков, помимо самих Data Scientists и качественно проработанный жизненный цикл моделей.

В этом курсе мы расскажем, что такое ModelOps и MLOps и какие между ними существуют различия:

• подробно опишем, как правильно выстроить рабочее место Data Scientistа и какие технологии и инструменты для этого следует использовать,
• затронем тему версионирования данных и управления пайплайнами обучения моделей для обеспечения воспроизводимости модельных экспериментов.

Все это необходимо для того, чтобы упростить процесс внедрения моделей, автоматизировать как можно больше его частей и минимизировать человеческий фактор, соответственно, снизить модельный риск.

Data Scientists, которые хотят развиваться и стать Senior Data Scientists или Team Leads, хотят научиться использовать современные инструменты MLOps для развертывания решений в продуктовой среде. Data Engineers и ML Engineers.

Опыт работы и знание основных принципов ML/DS.