Прикладной Data Science: как стать ML-инженером

Расскажем, как глубже погрузиться в область машинного обучения, если уже есть база. Сделаем акцент на прикладных знаниях о том, как внедрять ML-модели. Узнаете от практикующих экспертов, чего ждёт рынок от ML-инженеров сегодня
Мы на связи:
Сайт practicum.yandex.ru
ВКонтакте yandex.practicum
00:00 Тема вебинара
00:40 Процесс обучения в Яндекс Практикуме
02:36 Вступление
03:43 Знакомство со спикерами
06:01 О чем вебинар
06:46 Кто такой инженер машинного обучения?
09:12 Чем отличается инженер машинного обучения от специалиста по data science?
11:32 Требования к инженеру машинного обучения и его типичные рабочие задачи
12:53 Полный рабочий процесс проекта по машинному обучению
18:40 Этапы развертывания MLOps*
23:57 Data-дрифт
27:00 Обновление модели через А/В-тест
38:47 Ответы на вопросы зрителей
48:20 Популярные задачи по машинному обучению в российских компаниях
56:54 Курс “Инженер машинного обучения” в Практикуме
1:17:39 Ответы на вопросы зрителей
1:28:09 Завершение вебинара