Содержание курса
1. Как рождаются ML-системы
3 урока
8
6
0м
0
Открытый
1.1
Как декомпозировать Бизнес задачу
↗
4
2
-
0
Закрытый
1.2
Какие вопросы стоит задавать
↗
2
2
-
0
Закрытый
1.3
Самые частые trade-offs
↗
2
2
-
0
2. Откуда берутся данные
4 урока
8
8
0м
0
Закрытый
2.1
ETL
↗
2
2
-
0
Закрытый
2.2
Batch vs Streaming
↗
2
2
-
0
Закрытый
2.3
Администрирование
↗
2
2
-
0
Закрытый
2.4
Домены данных
↗
2
2
-
0
3. Feature Engineering + Feature Store
3 урока
6
6
0м
0
Закрытый
3.1
Offline vs Online
↗
2
2
-
0
Закрытый
3.2
Consistency
↗
2
2
-
0
Закрытый
3.3
Data Leakage
↗
2
2
-
0
4. Pipeline обучения
3 урока
6
6
0м
0
Закрытый
4.1
Обучение модели
↗
2
2
-
0
Закрытый
4.2
Retraining (trigger-based vs schedule)
↗
2
2
-
0
Закрытый
4.3
Оркестрация (Airflow)
↗
2
2
-
0
5. Model Serving
3 урока
6
6
0м
0
Закрытый
5.1
Online vs Batch
↗
2
2
-
0
Закрытый
5.2
Latency
↗
2
2
-
0
Закрытый
5.3
Caching
↗
2
2
-
0
6. Мониторинг
2 урока
5
4
0м
0
Закрытый
6.1
Data drift / Concept drift
↗
3
2
-
0
Закрытый
6.2
Онлайн метрики
↗
2
2
-
0
7. Лучшие практики
1 урок
2
2
0м
0
Закрытый
7.1
🔥 Фреймворк
↗
2
2
-
0
8. Практика
3 урока
8
6
0м
0
Закрытый
8.1
Рекомендации
↗
3
2
-
0
Закрытый
8.2
Fraud detection в real-time
↗
2
2
-
0
Закрытый
8.3
Churn prediction
↗
3
2
-
0