О стажировке в Вебби
ML-ИНЖЕНЕР
Реализует и оптимизирует модели для машинного обучения
Какие задачи решает ml-инженер
Сбор и анализ данных
для построения верного прогноза, нужны качественные данные, трансформированные верным образом
Подбор и обучение моделей
научим подбирать модели для различных задач и обучать их на данных
ML-модели в production
подскажем, как интегрировать модели в уже существующие системы, как подобрать железо и оптимизировать под него модель
Что мы расскажем?
Зачем мы обучаем алгоритмы
Расскажем как и зачем применяют ML в бизнесе, а также каким образом перевести бизнес-задачу в инженерную с максимальной пользой для бизнеса и самого инженера
Чему мы обучаем алгоритмы
Рассмотрим основные направления в ML, такие как CV, NLP, Time-Series Forecasting и так далее
Как мы обучаем алгоритмы
Рассмотрим основные библиотеки и фреймворки для обучения нейросетей, градиентного бустинга и классических ML-алгоритмов
Где мы обучаем алгоритмы
Расскажем как развернуть среду разработки и обучать модели в своём облаке
Куда отправляются обученные модели
Поделимся тем, как мы запускам модели в production, потрогаем API, Docker и прочее
Вы будете использовать
Python
Один из самых востребованных языков, #1 в анализе данных и машинном обучении
PyTorch
Самый популярный фреймворк для работы с нейросетями
Scikit-learn
Удобная библиотека с метриками и алгоритмами для экспериментов с данными
Pandas, Numpy
Самые популярные питон-библиотеки для работы с данными
Jupyter
Используется как облачная или локальная среда разработки для анализа данных и машинного обучения
Docker
Для контейнеризации приложений
Чему вы научитесь
Сбор и анализ данных
Получать данные из разных источников (SQL, csv, excel) и преобразовыв ать их в нужный для решения задачи вид
Строить графики
При работе с данными очень важно посмотреть на данные глазами. В этом нам помогают matplotlib и plotly
Выбрать нужную модель
Какую из десятков state-of-the-art архитектур выбрать для данной задачи? А может подойдёт старый добрый бустинг?
Обучать модели
Обучением займутся torch, xgboots, catboost и прочие известные на рынке фреймворки. Мы покажем, как с ними работать
Писать простые API-серви сы
На FastAPI. Куда уж проще, но куда без этого
Контейнизировать модели
Обучим основам Docker и научим обходить подводные ML-камни