Рассрочка

MLOps

Покажем на практике как деплоить модели в production

28 мая

Advanced

5 месяцев

Онлайн

Вт/Чт 20:00 Мск

Для кого этот курс?

MLOps — это не человек, а набор практик, которым должны обладать различные специалисты. Поэтому знание MLOps для каждой роли открывает свои возможности в команде.

  • Для Data Scientist-ов: если вы уже умеете создавать модели, то научитесь деплоить их в прод.
  • Для ML Engineer-ов: сможете унифицировать управление несколькими моделями.
  • Для Data Engineer-ов: вам откроется остальная часть data-driven конвейеров: валидация, обучение, вывод ML моделей в прод и мониторинг.
  • Для Data Analytic-ов: сможете выйти за рамки графиков и дашбордов и запустить свои модели в онлайне.
  • Для Softwear Engineer-ов: будете понимать, что нужно делать, если на вашем продукте планируют внедрять ML.

Необходимые знания

Для обучения вам понадобятся базовые навыки работы с данными. Предлагаем посмотреть Карту курсов направления Data Science в OTUS, чтобы сориентироваться в необходимом уровне подготовки.

Мы ожидаем, что наши студенты уже владеют знаниями разработки на Python и ML. Цель нашего курса повысить квалификацию уже практикующих инженеров.

  • построение веб-сервисов на python
  • опыт разработки на python
  • понимание терминологии машинного обучения
  • опыт использования python для решения задач ML
  • Linux
  • Git

Подходит ли эта программа именно вам?

Пройдите тест, чтобы определить свой уровень знаний
При поддержке
логотип партнера
Бесплатно предоставит необходимое количество ресурсов, чтобы вы могли выполнять практические задания на протяжении всего периода обучения.

Что вам даст этот курс?

Данный курс даст вам понимание того, как устроен процесс внедрения ML-решения от идеи до вывода его в прод. Преподаватели поделятся лучшими практиками и инструментами MLOps, которые устоялись в современной индустрии.

Примеры практических задач, рассматриваемых на курсе:

  • Как правильно организовать хранение исходников
  • Где и как хранить данные
  • Как сделать CI/CD
  • Как регулярно обновлять данные и переобучать модели
  • Как управлять инфраструктурой в облаках
  • Как упаковывать ML модели в микросервисы
  • Как разворачивать k8s
  • Как настраивать мониторинг и алертинг
Инструменты, которые используются на курсе: Яндекс клауд, Git hub, S3, Spark, Kafka, Airflow, DVC, ML Flow, Docker, K8s, Prometheus, Grafana и другие.

Cмотрите подборку открытых уроков MLOps.

Каждый модуль вы будете закреплять на практике, выполняя домашнее задание. В конце обучения вас ждет финальный проект, который позволит обобщить все полученные знания и пополнить портфолио. Он может быть выполнен в рамках рабочих задач на вашем датасете или быть учебным проектом, основанным на данных, предоставляемых OTUS.

Примеры тем итоговых проектов выпускников курса:  

  • Инфраструктура для алгоритмической торговли на фондовом рынке с использованием машинного обучения;  
  • Автоматизация обучения генеративной модели на публичном датасете при обновлении данных; 
  • Создание универсального набора инструментов для разворачивания ML-модели; 
  • Контейнеризированный инференс модели компьютерного зрения для задачи классификации изображений. 

Почему стоить освоить?

Один из главных трендов в современном мире - автоматизация процессов обучения и валидации, которая, в некотором роде обесценивает работу классического Data Scientist. Все движется к тому, что даже неспециалист сможет сделать fit-predict. Поэтому уже сейчас в цене те, кто обладает инженерными навыки.

Процесс обучения

Обучение проходит онлайн: вебинары, общение с преподавателями и вашей группой в Telegram, сдача домашних работ и получение обратной связи от преподавателя.

Вебинары проводятся 2 раза в неделю по 2 ак. часа и сохраняются в записи в личном кабинете. Вы можете посмотреть их в любое удобное для вас время. Практические вебинары, где 80% времени вы будете решать задачи.

В ходе обучения вы будете выполнять домашние задания. Каждое из них посвящено одному из компонентов вашего выпускного проекта.

После выполнения всех домашних заданий вы получите готовый выпускной проект.

Оптимальная нагрузка

Возможность совмещать учебу с работой.

Эксперты


Преподаватели из разных сфер, каждый со своим уникальным опытом.

Перспективы


Получите знания, которые помогут повысить вашу востребованность и доход.

Трудоустройство

Многие студенты еще во время прохождения первой части программы находят или меняют работу, а к концу обучения могут претендовать на повышение в должности.

  • Карьерные мероприятия в сообществе
    Публичный разбор резюме
    Публичное прохождение собеседования и воркшопы
  • Разместите свое резюме в базе OTUS и сможете получать приглашения на собеседования от партнеров

ML engineer

Перспективы направления
Средний уровень зарплат в Москве:
60 000Junior+ специалист
160 000Middle+ специалист
325 000Senior специалист
446
актуальных вакансий
Формат обучения

Интерактивные вебинары


2 онлайн-трансляции по 2 ак. часа в неделю. Доступ к записям и материалам остается навсегда.

Обратная связь


Домашние задания с поддержкой и обратной связью наших преподавателей помогут освоить изучаемые технологии.

Активное комьюнити


Чат в Telegram для общения преподавателей и студентов.

Программа

Процессы

С чего следует начинать любой проект по ML? Конечно с целей и метрик, а также с организации процессов взаимодействия в команде. Как организовать хранение кода, как вести задачи и многое другое будет рассмотрено в рамках этого модуля.

Тема 1: Вводное занятие

Тема 2: Цели и метрики ML проектов

Тема 3: Организация исходного кода

Тема 4: Взаимодействие с командой

Тема 5: Практика. Формирование процессов команды

Инфраструктура

В этом модуле мы начнем возводить кирпичики нашей системы с инфраструктурных блоков. Мы узнаем какие блоки стоит выделить, где хранить данные. Как автоматизировать периодические операции. Как эффективно и безопасно использовать облачные сервисы.

Тема 1: Базовые блоки инфраструктуры

Тема 2: Облачные провайдеры

Тема 3: Собственная инфраструктура

Тема 4: Изменение кода и CI/CD

Тема 5: Биллинг и Identity and Access Management

Тема 6: Практика. Настройка облачной инфраструктуры

Подготовка данных

Все начинается с данных. Их нужно собрать, сохранить, проанализировать, провести очистку и заполнение пропусков, извлечь признаки и внимательно следить за качеством данных и их версионированием. В этом модуле мы рассмотрим все эти темы.

Тема 1: Выбор хранилища. HDFS/S3/DataBase/etc

Тема 2: Сбор данных на потоке. Kafka

Тема 3: Сбор данных по расписанию. AirFlow

Тема 4: Валидация данных

Тема 5: Обнаружение сдвигов в данных

Тема 6: Подготовка и обогащение данных

Тема 7: Извлечение признаков

Тема 8: Версионирование данных. DVC

Тема 9: Практика. Конвейер подготовки данных

Моделирование

Наконец мы добрались до обучения моделей и самое время обсудить как сделать это обучение воспроизводимым. Как проводить обучение моделей в распределенной среде. Как хранить и версионировать артефакты с моделями.

Тема 1: Воспроизводимость и версионирование. MLFlow

Тема 2: Перенос ML алгоритмов в распределенную среду

Тема 3: Популярные фреймворки в распределенной среде

Тема 4: Подбор гиперпараметров и AutoML

Тема 5: Практика. Регулярное переобучение

Валидация

Перед запуском модели в production, её следует внимательно провалидировать и изучить. В этом модуле мы обсудим какие есть стратегии валидации, как проводить анализ моделей и интерпретировать их результаты. Как показать влияние модели на бизнес-метрики с помощью A/B тестирования.

Тема 1: Стратегии валидации моделей

Тема 2: Анализ моделей

Тема 3: Интерпретируемость

Тема 4: A/B-тестирование

Тема 5: Практика. Автоматическая валидация

Развертывание

Модель готова и проанализирована. Пришло время катить её в production. Какие есть стратегии инференса, какие инструменты помогут автоматизировать выкатку в production. Как подготовить веб-сервис с моделью и запустить его в k8s.

Тема 1: Пакетный режим работы

Тема 2: Асинхронный потоковый режим

Тема 3: Модель как сервис

Тема 4: Подготовка артефактов

Тема 5: Развертывание в k8s

Тема 6: Обновление моделей

Мониторинг

Модель работает в production, но как мы будем за ней следить. Как собирать и визуализировать метрики. Как узнавать о проблемах раньше всех и заранее вносить исправления.

Тема 1: Инструменты и метрики. Prometheus

Тема 2: Поиск отклонений и сдвигов в данных / MLOps в k8s

Тема 3: Построение обратной петли

Тема 4: Алертинг

Проектная работа

Заключительный месяц курса посвящен проектной работе. Свой проект — это то, что интересно писать слушателю. То, что можно создать на основе знаний, полученных на курсе. При этом не обязательно закончить его за месяц. В процессе написания по проекту можно получить консультации преподавателей.

Тема 1: Выбор темы и организация проектной работы

Тема 2: Консультация по проектам и домашним заданиям

Тема 3: Защита проектных работ

Также вы можете получить полную программу, чтобы убедиться, что обучение вам подходит

Выпускной проект


Выпускной проект даст возможность закрепить навыки, наработанные в процессе обучения. Вам на выбор будет предоставлено 2 варианта:

  • взять свою задачу и свои данные;
  • разработать и развернуть на Spark рекомендательную систему.

Полученные в итоге артефакты усилят ваше резюме.

Преподаватели

Руководитель курса

Влад Пивоваров

Senior MLOps Engineer

Okko

Руководитель курса

Павел Филонов

Собственный консалтинг

Вадим Заигрин

Ведущий консультант

IBS

Дмитрий Бугайченко

Управляющий директор (к.ф.-м.н.)

Сбербанк

Андрей Канашов

Senior Data Scientist

BestDoctor

Анатолий Бурнашев

SRE expert

Максим Мигутин

Data Science & Data Engineering

TravelTech

Сергей Цыкин

ML Team Leader

Assaia

Николай Степанов

ML Engineer

Emerging Travel Group (Ostrovok, ZenHotels, B2B. Ostrovok и RateHawk)

Александр Брут-Бруляко

DS инженер (к.э.н.)

Сбер GigaLegal

Антон Дудкин

Deep Learning Specialist / MLOps Specialist

DBrain

Игорь Стурейко

(к.ф.-м.н.) Teamlead, главный инженер

FinTech

Петр Емельянов

CEO

Bloomtech LLC

Эксперты-практики делятся опытом, разбирают кейсы студентов и дают развернутый фидбэк на домашние задания

Ближайшие мероприятия

Открытый вебинар — это настоящее занятие в режиме он-лайн с преподавателем курса, которое позволяет посмотреть, как проходит процесс обучения. В ходе занятия слушатели имеют возможность задать вопросы и получить знания по реальным практическим кейсам.

MLFlow и переобучение ML-моделей
Петр Емельянов
Разработаем одну ML-модель и проведем ее валидацию. На этом занятии вы узнаете:

- Как экспериментировать сразу с несколькими ML-моделями, с разными гиперпараметрами и при этом не захлебнуться в разнообразии экспериментов.
- Как, проводя регулярное переобучение, получить возможность сравнивать качество работы моделей и выбирать лучший результат.
- Как не потерять накопленный опыт и воспроизводить более ранние эксперименты.

Результаты урока:

- Познакомитесь с MLFlow.
- Рассмотрите, как данный инструмент позволяет сохранять результаты и артефакты моделей.
- Изучите как выбирать лучшие варианты для отправки в Prod / Staging среду, при этом делиться информацией и принимать совместное решение в команде.
...
24 апреля в 17:00
Открытый вебинар
Используем DVC для версионирования данных
Влад Пивоваров
На вебинаре познакомимся с DVC, какие задачи решает эта система, и погрузимся в работу с версионированием данных.

Кому подходит этот урок:

- Дата-сайентистам, которые хотят научиться выводить свои модели в прод
- Дата-инженерам, которые обеспечивают версионирование данных
- ML-инженерам, решающим проблемы хранения и версионирования моделей

Результат урока:

- Научитесь настраивать в git репозитории DVC и хранить артефакты на S3
- Переключаться между версиями артефактов и загружать их во внешнее хранилище
- Создавать воспроизводимые конвейеры обучения моделей с помощью DVC Pipelines
...
14 мая в 17:00
Открытый вебинар
Расширяем возможности DVC: эксперименты, model registry и другие возможности
Влад Пивоваров
На вебинаре пойдем глубже в возможности DVC: проведем эксперименты, воспользуемся model registry и так же посмотрим на дополнительный функционал, который может быть полезен каждому ML специалисту

Вы узнаете:

- Как использовать DVC для версионирования данных
- Как обеспечить совместный доступ к данным через S3
- Как версионировать модели и храненить артефакты в DVC
- Когда лучше подойдет DVC, а когда MLFlow
- Как сделать воспроизводимое обучение моделей

Кому подходит этот урок:

- Дата-сайентистам, которые хотят научиться выводить свои модели в прод
- Дата-инженерам, которые обеспечивают версионирование данных
- ML-инженерам, решающим проблемы хранения и версионирования моделей

Результат урока:

- Научитесь настраивать в git репозитории DVC и хранить артефакты на S3
- Переключаться между версиями артефактов и загружать их во внешнее хранилище
- Создавать воспроизводимые конвейеры обучения моделей с помощью DVC Pipelines
...
22 мая в 17:00
Открытый вебинар

Прошедшие
мероприятия

Влад Пивоваров
Открытый вебинар
Разрабатываем pipeline в ClearML и удаленный запуск на сервер
Влад Пивоваров
Открытый вебинар
Проводим эксперименты в ClearML
Для доступа ко всем прошедшим мероприятиям необходимо пройти входное тестирование
Возможность пройти вступительное тестирование повторно появится только через 3 дня
Результаты тестирования будут отправлены вам на email, указанный при регистрации.
Тест рассчитан на 30 минут, после начала тестирования отложить тестирование не получится!

Корпоративное обучение для ваших сотрудников

Отус помогает развивать высокотехнологичные Команды. Почему нам удаётся это делать успешно:
  • Курсы OTUS верифицированы крупными игроками ИТ-рынка и предлагают инструменты и практики, актуальные на данный момент
  • Студенты работают в группах, могут получить консультации не только преподавателей, но и профессионального сообщества
  • OTUS проверяет знания студентов перед стартом обучения и после его завершения
  • Простой и удобный личный кабинет компании, в котором можно видеть статистику по обучению сотрудников
  • Сертификат нашего выпускника за 5 лет стал гарантом качества знаний в обществе
  • OTUS создал в IT более 120 курсов по 7 направлениям, линейка которых расширяется по 40-50 курсов в год

Отзывы

Ольга Кравченко

17.12.2023
Я - DS в финтехе, моя работа - полный МЛ-цикл скоринговых моделей. По образованию инженер-программист (база на Си, затем Python, аналитика, data science). Опыт более 6 лет. Курс этот выбрала для расширения своих компетенций в вопросах автоматизации, масштабирования и деплоя моделей в прод, построения инфраструктуры и изучения необходимых для этого инструментов. Именно этот курс прошел отбор в связи с отсутствием сейчас на рынке очевидных аналогов. Что понравилось: в целом курс дает общий скелет стандартного MLOps-решения, который можно обрастить мясом под конкретную задачу, скомбинировав изученные инструменты. После курса самое главное, что понимаешь, куда идти искать, что идти искать, как это сформулировать для решения поставленной перед тобой задачи. Входные требования на курс, обозначенные на сайте - занижены в отношении PySpark. В ответ на обратную связь обещали добавить в программу курса занятия. Еще, развертывание инструментов на примерах необходимо всегда только в облаке. Нужно улучшить подготовку к некоторым занятиям. Благодарности: хочу поблагодарить преподавателя Антона Дудкина, проверявшего мои ДЗ и отвечавшего в срок вопросы - мои и моих однокурсников. Без его поддержки пришлось бы сидеть над заданиями значительно дольше.

PISavelyev Савельев

17.12.2023
Работаю в должности ведущего инженера по сопровождению, по своей сути - DevOps в DE/DS/ML/AI. Я постоянно прохожу какие-то курсы и по DevOps, и по ML, и по DE. Если откровенно, то выбирая курс, купился просто на вывеску MLOps. В целом, хотел оценить отличия MLOps от регулярного DevOps. Я в Otus учился в первый раз, потому в целом про компанию я бы судить по одному курсу не стал. Хотелось бы добавить больше вовлечённости преподавателей в процесс обучения. О том, как мне пригодился этот курс. Это уже привычка инженера: бежать, чтоб оставаться на месте. И самостоятельно осилить получаемый на курсах материал не удается: ДЗ на курсах - большой стимул освоить новую технологию.

Прудковский Николай

28.09.2023
Домашку я не делал, не было времени на нее. Я смотрел и потом восстанавливал в памяти. Финальный проект я сделал, но не полностью. Для работы этот курс полезный. Из курса вынес ряд технологий: MLFlow, Kubernetus, dvc, PySpark. Распределенные вычисления я пока не использую, но возможно в дальнейшем понадобятся. Получил общий подход к решению ML в рамках сервисов, развертывания их и обмазывая какими-то технологиями по переобучение (тот же AirFlow).  По мере развития своих проектов мне понадобятся эти знания.  В новом проекте где я сейчас работаю в SOC надо будет настраивать ML Flow поэтому я буду пересматривать видосы курса.

Екатерина Заломова

22.09.2023
Курс MLOps помог мне в систематизации знаний и в получении необходимых в работе навыков. Для меня наиболее полезными и самыми быстро применимыми стали знания, связанные с мониторингом, MLFlow и dvc.

Янина Кутовая

22.09.2023
Требования к позиции Data Scientist существенно выросли.  Многие работодатели требуют наличие опыта работы с Hadoop-кластером, написания кода на PySpark, использования MLflow. Код с логикой ML-пайплайнов требуется упаковывать в Docker и выкатывать, используя CI/CD-инструменты с запуском code style проверок и тестов. Ожидается, что у соискателя есть навык использования Airflow для управления ML-пайплайнами и запуска их по расписанию, навык развертывания Kubernetes - кластеров для запуска ML-пайплайнов. Чтобы подтянуть технический уровень, мне подошел курс MLOps, содержание которого покрывает все необходимые блоки.  Домашние задания идеально выстроены вокруг одного сквозного ML-проекта. На лекции дается база, а если хочется применить более сложные решения – к уроку прилагаются полезные ссылки, чтобы можно было покопаться самому и использовать что-то интересное.  Самостоятельное выполнение всех домашних заданий чрезвычайно важно, это как в плавании - недостаточно погрести руками на суше, чтобы научиться плавать в море. Итоговый проект закрепляет все полученные навыки. В качестве шаблона для итогового проекта Павел Филонов  предлагает слушателям курса production код реализованного MLOps-проекта на основе понятной любому DS базы данных Titanic. Шаблон включает в себя GitOps, Docker, манифесты Kubernetes, и т.д. Курс сложный, бывает, что на уроке внимание не фиксируется, чувствуешь себя абсолютным болваном. Но лекции составлены таким образом, что если переслушать лекцию повторно и проделав все одновременно с преподавателем – все встает на свои места. Очень красивая лекция по Docker, Kubernetes… но для понимания красоты пришлось поработать. А после выполнения домашнего задания – полная эйфория от того как далеко удалось продвинуться. Из преподавателей особенно хочу отметить Павла Филонова – очень талантливый преподаватель (и, конечно, специалист), обладающий навыками психотерапевта:  гасит панику, делает сложные вещи понятными. Алексей Бурлаков – дает очень насыщенный  материал, настолько полезный, что приходится переслушивать лекцию и конспектировать. Данила Слепов - совершенно замечательно все объясняет.

Дмитрий Волобуев

27.03.2023
До начала обучения на курсе имел опыт работы несколько лет на позиции Data Scientist в одной из крупнейших IT-компаний на российском рынке. Спустя время понял, что мне не хватает навыков разработки и деплоя полноценных ML-сервисов. Попытался найти бесплатные материалы в сети, но понял, что цельную картину так сформировать не получится. Поиск курсов в интернете привёл к OTUS MLOps. Почему именно OTUS? Потому что аналогов этой программы я не нашёл. Итак, спустя 7 месяцев тяжёлой учёбы я выполнил все домашние задания и защитил проект: мой первый полноценный сервис рекомендаций с использованием практически всех инструментов, изученных на курсе. Из хороших сторон отмечу: 1. Очень высокое качество обучения. Каждые полтора часа вебинара — это 100% с пользой проведённое время. Хардкорные домашние задания, а потом ещё свой финальный проект с нуля. В итоге — более 15 инструментов в копилку скиллов и 2 больших проекта в портфолио. Класс! 2. Соотношение цена/качество. При перечисленных выше плюсах я удивлён, что это не стоит минимум в 2 раза больше. 3. Преподаватели. Спасибо за качественную проработку материалов и систематизированную программу с азов до гуру. 4. У меня сложилось впечатление, что организаторам и преподавателям было не всё равно. Любые вопросы по учёбе решались быстро. Это ценно. Что дал мне курс в итоге? Я DS/ML-специалист со специализацией в сфере разработки и MLOps, но теперь закрываю практически все вакансии на рынке в своей сфере, т.к. могу не просто заниматься аналитикой, а делать готовые продукты от постановки задачи до деплоя сервиса и настройки мониторинга. Эти навыки я уже успешно применил на новых проектах.

Варвара Семенова

30.01.2023
+ Хороший структурированный курс -Сложно разобраться с технологией, по сути не относящейся к курсу В целом очень хороший курс, всю базу дают от начала и до конца. Лекции понятные и структурированные. Но в них не хватает обширной лекции об особенностях пользования облачной платформы, на которой проходит практика. Поверхностная-то есть, а вот об особенностях взаимодействия продуктов между собой внутри платформы - не особо. Да и сама платформа Yandex Cloud ещё на стадии развития и с ней часто возникают проблемы.

Алексей Бондаренко

30.01.2023
С декабря 2021 по сентябрь 2022 я обучался в Отус на курсах: MLpro — "Machine Learning. Professional" MLops — "Промышленный ML на больших данных". Опишу свой опыт, не плюсами и минусами, а по темам. - Порог вхождения для курсов. Лучше соответствовать требованиям курсов и иметь небольшой опыт работы с инструментами, изучаемыми на курсе, тогда на обучение будет уходить около 3-5 часов в неделю, кроме 4 часов на 2 лекции. Если прийти с почти нулевыми знаниями, то на выполнение заданий будет уходить более 20 часов в неделю. - Задачи для самостоятельной работы. Очень понравились задачи на обоих курсах. На курсе MLpro каждое задание, как мини-проект со статичными данными по одной из тем курса (EDA + построить модели + провести небольшое сравнение между моделями). На MLops все задания являются частями одного большого проекта. При решении всех этих заданий надо пройти полный цикл разработки ML проекта. - Общение в Отус. У меня общение проходило в Слаке, сейчас Отус развивается еще в Discord и telegram. Можно писать вопросы в общий чат одногруппникам и тегать преподавателей. - Преподаватели. Один курс ведет 3-4 основных преподавателя. После каждой лекции в Отус собирают обратную связь. - Материалы после лекций остаются в личном кабинете слушателя. - Код. В MLpro все лекции, в MLops большая часть лекций были с ноутбуками (ipynb) или с разбором кода, который остается доступным слушателям из личного кабинета. Оставшийся код был одним из важных инструментов моего самообучения (разбирал его и модифицировал под себя). - Слайды и видеоматериалы. Пропускал некоторые лекции и смотрел их в записи, а некоторые были настолько важными, что смотрел по несколько раз. - Постоянное совершенствование Отус. Курсы = лекции и материалы изменяются и модифицируются. Отус как платформа развивается: проводятся семинары по трудоустройству и выстраиванию коммуникаций между выпускниками. Итог. Кажется, все супер. Подвох в том, что учиться очень тяжело, если недостаточно требуемых знаний для старта обучения, но оно того стоит. Мне Отус дал базу знаний и опыт, позволил понять мои силы и показал мне направления дальнейшего развития.

Павел Кравченя

13.09.2022
Я преподаю дисциплины Computer Science и Machine Learning в вузе. С целью углубить знания в области практического применения методов машинного обучения, я решил пройти курс «MLOps». Курс очень насыщенный, рассматривается большое число тем, связанных как с методами анализа данных, так и со способами вывода их в прод. При этом уделяется внимание не только инженерным навыкам, но и комплексному подходу к решению задач, затрагивающему особенности их постановки с точки зрения бизнеса, интерпретации и анализа полученного решения, проведения A/B-тестирования. На курсе рассмотрена как работа с большими данными, так и методы анализа данных небольшого объема. Большое внимание уделяется современным инструментам дата-аналитиков и дата-инженеров, преподаватели делятся своим опытом их применения на практике. При всех преимуществах курса, я не могу обойти стороной недостатки: 1. Некоторые домашние задания не совсем ясно сформулированы, требовалось обращаться за разъяснениями. Складывается впечатление, что задания и лекции готовили специалисты, которые не общались друг с другом. Следовало бы сделать преемственность заданий, когда новая задача опирается на результаты предыдущей. 2. Курсы OTUS позиционируются как имеющие тесную связь с индустрией. Логично ожидать, что студентам в качестве выпускных проектов предложат задачи от партнеров в такой же постановке, с которой сталкиваются их сотрудники, чтобы получить представление о востребованных задачах, специфических требованиях к ним и «подводных камнях». Такая задача на курсе была только одна. 3. На защите выпускных проектов, согласно обещаниям организаторов, можно получить рекомендации экспертов. Но на нашей защите присутствовал только руководитель курса. Было бы логично пригласить нескольких специалистов, чтобы оценить работы комплексно, с позиций навыков тех, кто решает подобные задачи ежедневно. Несмотря на недостатки, я положительно оцениваю курс. Он помог мне структурировать имеющиеся знания, приобрести новые и познакомиться с серьезными специалистами. Все вопросы можно обсудить с преподавателями в Slack, даже после курса. Выражаю благодарность преподавателям и организаторам за полезный курс и всестороннюю поддержку!

Сертификат о прохождении курса

OTUS осуществляет лицензированную образовательную деятельность.
В конце обучения вы получите сертификат OTUS о прохождении курса.

После обучения Вы:


  • Получите материалы по пройденным занятиям (видеозаписи курса, дoполнительные материалы, финальный проект для добавления в портфолио)
  • Создадите своё портфолио проектов, которое поможет при прохождении собеседований
  • Повысите свою ценность и конкурентоспособность как IT-специалист
  • Получите сертификат об окончании курса

Частые вопросы

Кем разработана программа курса MLOps?
Программа курса MLOps разработана опытными специалистами. Руководитель курса является хэдлайнером и членом программных комитетов конференций C++ Russia, PiterPy, TechTrain и ежегодно принимает участие как спикер в десятках конференциях.
Почему стоит выбрать учебу в Otus?
Образовательная экспертиза Otus доказана более 6 лет успешной специализации на обучении в IT. Наша фишка — продвинутые программы для специалистов с опытом и быстрый запуск курсов по новым набирающим популярность технологиям. Мы уже обучили более 20 000 студентов, и будем рады помочь освоить Вам новые навыки.
Обязательно ли выполнять и защищать выпускной проект?
Для получения сертификата OTUS и УПК (удостоверение повышения квалификации государственного образца) необходимо сдать проект. Кроме того, проект необязательно защищать перед аудиторией, а можно сдать в чате с преподавателем. Для получения УПК также понадобится предъявить документ об образовании.
Обязательно ли выполнять все домашние задания?
Нет, не обязательно. Но выполнение домашних заданий поможет Вам разобраться в материале курса, поэтому хотя бы часть домашних заданий стоит выполнить. При выполнении или сдаче домашнего задания, Вы можете задать вопрос преподавателям, если где-то возникли сложности.
Помогаете ли вы с трудоустройством после курса?
В Otus Club проводятся вебинары на тему трудоустройства, разбор резюме, прохождения собеседований, особенности реферальных программ при найме. Также обратим Ваше внимание, что преподаватели курса занимают ведущие позиции в разных компаниях. Будьте активны, выполняйте домашние задания, стройте network с сокурсниками и преподавателями и Вам будет проще найти работу, расширив свои контакты.
Смогу ли я совмещать учебу с работой?
Да, программа курса рассчитана на то, что студент имеет ограниченный временной ресурс. 1 раз в модуль будут выдаваться домашние задания, а лекции 2 раза в неделю, которые Вы всегда можете посмотреть в записи.
Что, если в середине курса я не смогу продолжать обучение?
У Вас есть право одного бесплатного трансфера в другую группу. Лекции курса у Вас останутся в личном кабинете навсегда. Также есть отдельные опции по сдаче домашних заданий даже после окончания программы курса.
Я могу вернуть деньги?
Да, вы можете сделать возврат средств пропорционально оставшимся месяцам обучения.
Может ли мой работодатель оплатить курс?
Конечно, мы работаем с юр. лицами. При общении с менеджером уточните, что оплачивать будет Ваш работодатель.
Остались вопросы?
Оставляйте заявку и задавайте вопросы менеджеру, команда курса с ним на связи и постарается дать Вам исчерпывающую информацию.