Полезные материалы по MLOps

MLOps — это не только про модели, но и про масштабирование, автоматизацию и эффективное внедрение в продакшн. ➕ промокод на обучение MLOPS_5

Собрали мощную подборку — пригодится каждому, кто хочет развивать нженерные навыки в ML.

📘 Рекомендуемые книги

«Engineering MLOps» — Эммануэль Радж
Получите полное представление о MLOps, конвейерах CI/CD, создании решений на основе машинного обучения, разработке микросервисов, а также о развертывании и мониторинге моделей в различных средах с использованием популярных инструментов.

«Building Machine Learning Powered Applications» — Эмануэль Амейсен
Книга учит необходимым навыкам проектирования, разработки и развертывания приложений на основе машинного обучения.

«Practical MLOps» — Ноа Гифт и Альфредо Деза.
Книга даёт базовые знания о различных инструментах и методах разработки машинного обучения, а также учит применять полученные знания в реальной производственной среде.

«Building Machine Learning Pipelines» — Ханнес Хапке и Кэтрин Нельсон
Книга объясняет, как использовать TensorFlow, Apache Beam, Kubeflow и другие инструменты для построения эффективных конвейеров машинного обучения.

«Introducing MLOps» — Марк Тревейл
В книге представлены ключевые концепции MLOps, которые помогут специалистам по данным и инженерам приложений не только операционализировать модели ML для управления реальными изменениями в бизнесе, но и поддерживать и улучшать эти модели с течением времени.

📎 Электронные ресурсы

MLPops — откройте для себя инструменты ML и MLOps.
ml-ops.org — ресурс, содержащий статьи о лучших практиках MLOps, руководства и стандарты.
MLflow — позволяет отслеживать эксперименты, упаковывать модели в переносимый формат и вести реестр версий.
DataRobot — платформа для MLOps-инженеров, предоставляет инструменты для подготовки данных, выбора моделей, их обучения и развёртывания.

📱 Рекомендуемые видео

Основы Terraform в Yandex Cloud – автоматизируем облачную инфраструктуру
Хотите быстро и без ошибок развертывать облачную инфраструктуру? Освойте Terraform и научитесь управлять Yandex Cloud с помощью кода.

MLFlow и переобучение ML-моделей
Познакомимся с MLFlow, рассмотрим, как данный инструмент позволяет сохранять результаты и артефакты моделей; лучшие варианты для отправки в Prod / Staging среду.

MLFlow - версионирование экспериментов
Вы узнаете, как реализовать развернуть и настроить MLFlow локально и в облачной среде, как добавить в свой код логирование параметров экспериментов и как сохранить ваши обученные модели в реестр моделей для их дальнейшего переиспользования на основе полученных метрик.

Проводим эксперименты в ClearML
Познакомимся, каким образом работает ClearML, и как в пару строчек кода можно запустить эксперименты и удобно сравнить их через интерфейс.

Разрабатываем pipeline в ClearML и удаленный запуск на сервер
Разобьем сложный python код на части, превратим его в pipeline - и само обучение запустим на удаленной машине (все настройки проведем с 0).

AutoML и подбор гипер-параметров
Посл занятия поймете основные целеполагание и основные принципы работы AutoML, способы подбора гиперпарамеров, их плюсы и минусы и получат базовые навыки работы с инструментами для автоматизации подбора моделей и гиперпараметров.

Автоматизация ML-экспериментов с помощью GitLab CI/CD и CML - выводим разработку моделей на новый уровень!
Узнаете, как создать непрерывный цикл разработки и обучения ML-моделей.

📌 Сохраняйте, чтобы не потерять и делитесь с коллегами — пригодится каждому, кто хочет развиваться в инженерии.