-
Урок 1.
01:40:42
Градиентный спуск и линейные модели
-
Урок 2.
01:51:39
Основы программирования на Scala
-
Урок 3.
01:46:43
Распределенные хранилища
-
Урок 4.
01:57:04
Эволюция параллельных алгоритмов
-
Урок 5.
02:04:49
Менеджеры ресурсов в распределенных системах
-
Урок 6.
02:49:57
Основы Apache Spark
-
Урок 7.
01:53:03
Эволюция параллельных алгоритмов №2
-
Урок 8.
01:40:42
Перенос МЛ-алгоритмов в распределенную среду
-
Урок 9.
02:06:45
ML в Apache Spark
-
Урок 10.
02:11:59
Разработка собственных блоков для SparkML
-
Урок 11.
01:42:05
Сторонние библиотеки для использования со Spark
-
Урок 12.
01:38:42
Оптимизация гиперпараметров и AutoML
-
Урок 13.
01:28:56
Потоковая обработка данных
-
Урок 14.
01:52:45
Spark Streaming
-
Урок 15.
02:05:03
Структурный и непрерывный стриминг в Spark
-
Урок 16.
01:43:16
Альтернативные потоковые фреймворки
-
Урок 17.
01:59:23
Определение цели МЛ-проекта и предварительный анализ
-
Урок 18.
01:49:03
Долгосрочные ML-цели на примере задачи уменьшения оттока
-
Урок 19.
01:45:10
А-Б тестирование 1
-
Урок 20.
02:11:32
А-Б тестирование 2
-
Урок 21.
01:46:20
Подходы к выводу ML-решений в продакшн
-
Урок 22.
02:01:42
Версионирование, воспроизводимость и мониторинг
-
Урок 23.
02:00:36
Онлайн-сервинг моделей
-
Урок 24.
02:02:33
Паттерны асинхронного потокового ML и ETL
-
Урок 25.
02:05:46
Если надо Python
-
Урок 26.
01:49:07
Альтернативные фреймворки с поддержкой Python
-
Урок 27.
01:33:34
Production Code на Python. Организация и Packaging кода
-
Урок 28.
01:20:41
REST-архитектура - Flask API
-
Урок 29.
01:30:10
Docker - Структура, применение, деплой
-
Урок 30.
01:28:34
Amazon Sagemaker
-
Урок 31.
01:20:04
AWS ML Service
-
Урок 32.
01:13:31
Нейросети
-
Урок 33.
01:27:59
Распределенное обучение и инференс нейросетей
-
Урок 34.
01:33:56
Градиентный бустинг на деревьях