ML Space как единый инструмент разработки в Data Science

Вебинар «ML Space как единый инструмент разработки в Data Science» На вебинаре архитектор клиентских решений платформы ML Space Владислав Синеглазов рассказывает, как с помощью платформы ML Space закрыть большую часть потребностей дата-саентиста, а также сократить время разработки и вывода на рынок моделей. Рассказываем: - Что такое Data Science и какие требования существуют требования к инструментам для создания и обучения ML-моделей - Из чего состоит платформа ML Space и какие возможности она предоставляет - Как работать с данными, создавать окружения, обучать модели и проводить мониторинг процесса обучения - Как развернуть модель и настроить доступы к ней Тайм-коды 0:00 — Вступление 1:12 — Требования к инструментам для создания и обучения моделей 8:21 — Сущность Workspace и функциональные возможности платформы ML Space 14:55 — Модуль Data Catalog: работа с данными на платформе ML Space 26:58 — Модуль Environments: создание окружения и получение ресурсов 33:03 — Обучение моделей и мониторинг процесса обучения (инструменты TensorBoard и MLFlow) 43:08 — Модуль Deployments: вывод модели в production-среду и настройка доступов к модели. Примеры развернутых деплоев и тестирование образов 53:34 — Кейс использования модели ruCLIP для решения бизнес-задачи 1:00:55 — AI Marketplace: готовые сервисы и модели машинного обучения 1:06:54 — Модуль AutoML: обучение моделей на основе входных данных 1:11:43 — Модуль Pipelines: автоматизация совокупности процессов 1:12:43 — Резюме 1:15:10 — Ответы на вопросы Узнайте больше о платформе ML Space: Наш Телеграм: