Мы написали курс по MLOps!
Хочу поделиться проектом, в который я вложил реально много сил за последний год - курсом «MLOps для разработки и мониторинга моделей» в Яндекс Практикуме.🚀🚀🚀
Для меня это была не просто работа "поучаствовать в курсе" - Я составлял ядро программы в соответствии с текущим рынком (и моим опытом), формировал ТЗ для авторов, проектировал инфраструктуру курса. Это были сотни часов работы, пересборка программы, рефакторинг модулей, дедлайны, согласования — в общем, вполне настоящая продуктовая разработка, а не просто набор лекций.
И лично мне этот опыт тоже много дал - нетворкинг и знакомство с сильными авторами (спасибо ребятам за их вклад и особенно Кате Цаплиной за dev и ml практики на курсе и что позвала меня поучавствовать в проекте!), опыт создания большого образовательного продукта, возможность упаковать свой практический взгляд на MLOps в нормальную учебную траекторию, и, если честно, просто приятное чувство, что год назад я обещал написать курс — и в итоге реально это сделал😅
Что важно про сам курс: мне хотелось сделать его не просто "ещё одной программой про MLOps от датасайнтистов", а курсом с хорошим упором на инфраструктурную часть. На рынке много курсов, где MLOps подаётся скорее со стороны Data Science и использования готовых инструментов. А мне хотелось показать, как это выглядит со стороны инженера, который строит и эксплуатирует платформу.
Что в итоге получит студент:
- понимание полного MLOps-цикла (вспоминаем раз и два)
- Навыки для Dev, ML и OPS трека MLOPS специалиста (согласно схеме)
- практику с ClearML, Kubernetes, MLflow, Airflow
- Inference в K8S и в Kserve
- Observability моделей и инфраструктуры
- Data quality и контроль качества пайплайнов
То есть идея курса в том, чтобы после него разработчик / DevOps / Data Scientist мог гораздо увереннее зайти в сторону junior MLOps и понимать не только модели, но и весь production-контур вокруг них. Единственное предупрежу сразу - в курсе нет работы с GPU. Не поместилось + считаю что это следующий уровень (либо больше к llmops актуально).
Для меня тут ещё есть личный момент: когда-то я сам проходил курс Практикума по DevOps, и он в своё время сильно повлиял на мой трек, помог найти работу где я стал уже MLOps инженером. Поэтому особенно круто, что теперь я сам оказался с другой стороны и разрабатывал уже свой курс.
Если хотите записаться, напишите мне в личку - поделюсь промокодом на 15%.
А тем, кто купит курс по этому промокоду, готов подарить полчаса менторской сессии со мной на getMentor: обсудим карьерный трек в MLOps, что качать в первую очередь и как туда заходить - оставляйте заявки с пометкой что с курса по mlops ❤️
Хочу поделиться проектом, в который я вложил реально много сил за последний год - курсом «MLOps для разработки и мониторинга моделей» в Яндекс Практикуме.🚀🚀🚀
Для меня это была не просто работа "поучаствовать в курсе" - Я составлял ядро программы в соответствии с текущим рынком (и моим опытом), формировал ТЗ для авторов, проектировал инфраструктуру курса. Это были сотни часов работы, пересборка программы, рефакторинг модулей, дедлайны, согласования — в общем, вполне настоящая продуктовая разработка, а не просто набор лекций.
И лично мне этот опыт тоже много дал - нетворкинг и знакомство с сильными авторами (спасибо ребятам за их вклад и особенно Кате Цаплиной за dev и ml практики на курсе и что позвала меня поучавствовать в проекте!), опыт создания большого образовательного продукта, возможность упаковать свой практический взгляд на MLOps в нормальную учебную траекторию, и, если честно, просто приятное чувство, что год назад я обещал написать курс — и в итоге реально это сделал😅
Что важно про сам курс: мне хотелось сделать его не просто "ещё одной программой про MLOps от датасайнтистов", а курсом с хорошим упором на инфраструктурную часть. На рынке много курсов, где MLOps подаётся скорее со стороны Data Science и использования готовых инструментов. А мне хотелось показать, как это выглядит со стороны инженера, который строит и эксплуатирует платформу.
Что в итоге получит студент:
- понимание полного MLOps-цикла (вспоминаем раз и два)
- Навыки для Dev, ML и OPS трека MLOPS специалиста (согласно схеме)
- практику с ClearML, Kubernetes, MLflow, Airflow
- Inference в K8S и в Kserve
- Observability моделей и инфраструктуры
- Data quality и контроль качества пайплайнов
То есть идея курса в том, чтобы после него разработчик / DevOps / Data Scientist мог гораздо увереннее зайти в сторону junior MLOps и понимать не только модели, но и весь production-контур вокруг них. Единственное предупрежу сразу - в курсе нет работы с GPU. Не поместилось + считаю что это следующий уровень (либо больше к llmops актуально).
Для меня тут ещё есть личный момент: когда-то я сам проходил курс Практикума по DevOps, и он в своё время сильно повлиял на мой трек, помог найти работу где я стал уже MLOps инженером. Поэтому особенно круто, что теперь я сам оказался с другой стороны и разрабатывал уже свой курс.
Если хотите записаться, напишите мне в личку - поделюсь промокодом на 15%.
А тем, кто купит курс по этому промокоду, готов подарить полчаса менторской сессии со мной на getMentor: обсудим карьерный трек в MLOps, что качать в первую очередь и как туда заходить - оставляйте заявки с пометкой что с курса по mlops ❤️