Архитектура ML-систем и LLM: от алгоритмического фундамента к Senior-проектированию

Программа курса

Ознакомьтесь с программой курса «Архитектура ML-систем и LLM: от алгоритмического фундамента к Senior-проектированию» от Gurufy - gurufy.ru

1. Эффективный Python и векторные вычисления: оптимизация производительности в высоконагруженных ML-сервисах - 1 час. Эффективный Python и векторные вычисления: оптимизация производительности в высоконагруженных ML-сервисах.
2. Математический фундамент Senior-уровня: продвинутая статистика и теория оптимизации в обучении моделей - 1 час. Математический фундамент Senior-уровня: продвинутая статистика и теория оптимизации в обучении моделей.
3. Проектирование стратегий валидации и обработки данных для предотвращения утечек в сложных системах - 1 час. Проектирование стратегий валидации и обработки данных для предотвращения утечек в сложных системах.
4. Глубинное обучение: архитектурные нюансы трансформеров и механизмов внимания за пределами стандартных библиотек - 1 час. Глубинное обучение: архитектурные нюансы трансформеров и механизмов внимания за пределами стандартных библиотек.
5. Компьютерное зрение: от классической детекции объектов к современным архитектурам YOLO и сегментации - 1 час. Компьютерное зрение: от классической детекции объектов к современным архитектурам YOLO и сегментации.
6. Основы Large Language Models: архитектура декодеров, токенизация и специфика предобучения - 1 час. Основы Large Language Models: архитектура декодеров, токенизация и специфика предобучения.
7. Продвинутый Fine-tuning LLM: методы PEFT, LoRA и QLoRA для адаптации моделей под доменные задачи - 1 час. Продвинутый Fine-tuning LLM: методы PEFT, LoRA и QLoRA для адаптации моделей под доменные задачи.
8. Инженерия промптов и RAG-системы: построение надежных цепочек извлечения знаний и генерации ответов - 1 час. Инженерия промптов и RAG-системы: построение надежных цепочек извлечения знаний и генерации ответов.
9. Оценка качества LLM: метрики, бенчмарки и человеческая обратная связь (RLHF) в производственном цикле - 1 час. Оценка качества LLM: метрики, бенчмарки и человеческая обратная связь (RLHF) в производственном цикле.
10. Системный дизайн ML-решений: проектирование архитектуры от сбора данных до выбора стратегии деплоя - 1 час. Системный дизайн ML-решений: проектирование архитектуры от сбора данных до выбора стратегии деплоя.
11. Контейнеризация и оркестрация: Docker и Kubernetes для обеспечения воспроизводимости и масштабируемости ML-сервисов - 1 час. Контейнеризация и оркестрация: Docker и Kubernetes для обеспечения воспроизводимости и масштабируемости ML-сервисов.
12. Автоматизация рабочих процессов: построение надежных ML-пайплайнов с использованием Airflow и Prefect - 1 час. Автоматизация рабочих процессов: построение надежных ML-пайплайнов с использованием Airflow и Prefect.
13. Инфраструктура MLOps: версионирование данных (DVC), моделей (MLflow) и мониторинг концептуального дрейфа - 1 час. Инфраструктура MLOps: версионирование данных (DVC), моделей (MLflow) и мониторинг концептуального дрейфа.
14. Оптимизация инференса: квантование, дистилляция и ускорение работы моделей в production-среде - 1 час. Оптимизация инференса: квантование, дистилляция и ускорение работы моделей в production-среде.
15. Финальный синтез: прохождение System Design интервью и защита архитектурных решений перед бизнесом - 1 час. Финальный синтез: прохождение System Design интервью и защита архитектурных решений перед бизнесом.

Чему вы научитесь

• Освоите и сможете применять: эффективный python и векторные вычисления оптимизация производительности в высоконагруженных ml серви…
• Освоите и сможете применять: инфраструктура mlops версионирование данных (dvc), моделей (mlflow) и мониторинг концептуального дрейфа.
• Освоите и сможете применять: автоматизация рабочих процессов построение надежных ml пайплайнов с использованием airflow и prefect.
• Освоите и сможете применять: компьютерное зрение от классической детекции объектов к современным архитектурам yolo и сегментации.
• Освоите и сможете применять: инженерия промптов и rag системы построение надежных цепочек извлечения знаний и генерации ответов.