| Tytuł: | Machine Learning na produkcji - praktyczny przewodnik dla developerów, architektów i tech liderów |
| Kod: | BigDataML-prod |
| Kategoria: | BigData, streaming i Machine Learning |
| Forma: | 40% wykłady / 60% warsztaty |
| Czas trwania: | 3 dni |
| Odbiorcy: | liderzy techniczni, developerzy, architekci |
| Zapisy: |
Indywidualne zamówienie i dopasowanie dla grupy. |
| Logistyka: |
W siedzibie klienta lub w innym dowolnym miejscu. |
To szkolenie nie jest dla teoretyków - jest dla Backend Developerów, Architektów i Tech Leadów, którzy chcą przestać bać się ML i zacząć dowozić go jako solidny kawałek inżynierii.
Cel: Skrócenie Time-to-Market z miesięcy do tygodni.
Uczymy, jak dowozić realną wartość biznesową (ROI) przy użyciu sprawdzonych, tanich w utrzymaniu frameworków i czystego kodu.
Co zyskasz?
- Przestaniesz „przepalać” budżety na nietrafione technologie AI.
- Twój zespół przejmie kontrolę nad procesem ML, eliminując potrzebę zatrudniania drogich i odizolowanych działów RnD.
- Wdrożysz framework, który pozwala ratować technologie poprzez naprawę patologii w zespołach i procesach danych.
Wyróżniki szkolenia
- Architektura, MLOps i Dynamika Zespołów
- Modelowanie predykcyjne i inżynieria danych
- Realistyczne podejście do problemów produkcyjnych
- Sprawdzone techniki i praktyki
- Środowisko rozproszone
Program Szkolenia
Program jest ramą w jakiej możemy się poruszać merytorycznie - program dla konkretnego szkolenia dedykowanego ustalamy z grupą na podstawie analizy przed-szkoleniowej.-
Modelowanie predykcyjne i inżynieria danych - Od surowych danych do hipotezy ML – Pragmatyczne Modelowanie- Tłumaczenie procesów biznesowych na język ML (E-commerce, Finanse).
- Klasyfikacja (Kupi / Nie kupi) vs Regresja (Za ile kupi?) - jak agregacja danych zmienia ROI projektu.
- Kiedy odpuścić ML i zostać przy prostej heurystyce?
- Deep Learning - Embeddings i Vision, jak wykorzystać. Jak wykorzystać obrazy (np zdjęcia produktów) i teksty (np opinie o prduktach) razem z danymi tabelarycznymi (np historia zakupów użytkownika) do trenowania modeli
- Tłumaczenie procesów biznesowych na język ML (E-commerce, Finanse).
-
Inżynieria Cech (Feature Engineering) w Pandas
- Techniki transformacji danych: rozbijanie dat, obsługa braków bez psucia rozkładu.
- Kodowanie zmiennych cyklicznych: jak nauczyć model, że grudzień i styczeń są obok siebie.
- Zmienne kategoryczne bez eksplozji wymiarów
- Techniki transformacji danych: rozbijanie dat, obsługa braków bez psucia rozkładu.
-
Hipotezy, Wycieki i Ekonomia Błędu
- Data Leakage: Jak nie oszukać samego siebie (eliminacja cech z „przyszłości”).
- Paradoks Kaggle’a: Dlaczego pogoń za 1% dokładności zabija maintainability modelu.
- Ekonomia błędów: Co kosztuje więcej – False Positive (błędny blok transakcji) czy False Negative (przepuszczony fraud)? Ustawianie progów decyzyjnych pod biznes, nie pod matematykę.
- Data Leakage: Jak nie oszukać samego siebie (eliminacja cech z „przyszłości”).
-
Architektura, MLOps i Dynamika Zespołów - Zarządzanie Eksperymentami i Optymalizacja
- MLflow Tracking: Model to nie plik .pkl – to artefakt, kod, parametry i środowisko. Wersjonowanie wszystkiego.
- Optuna: Zapomnij o Grid Search. Wykorzystanie algorytmów bayesowskich do automatycznego szukania parametrów i cięcia kosztów chmury.
- MLflow Tracking: Model to nie plik .pkl – to artefakt, kod, parametry i środowisko. Wersjonowanie wszystkiego.
-
XAI – Debugowanie „Czarnej Skrzynki” i Compliance
- SHAP jako debugger: Rozbijamy decyzję modelu na czynniki pierwsze, explainable ML
- Compliance i Biases: Udowadnianie przed regulatorem (np. KNF), że model nie dyskryminuje ze względu na płeć lub kod pocztowy. Ratowanie firmy przed wizerunkowym.
- SHAP jako debugger: Rozbijamy decyzję modelu na czynniki pierwsze, explainable ML
-
MLOps – Deployment, Monitoring i Patologie Silosów
- Silosy Kompetencyjne: Dlaczego oddzielenie „Data Science” od „IT” to gwarantowana katastrofa komunikacyjna.
- Stack Technologiczny: Budowa stabilnych API oraz monitorowanie w czasie rzeczywistym.
- Zgnilizna Modelu (Model Decay): Wykrywanie Data Drift i Concept Drift, cykliczne trenowanie modeli
- Silosy Kompetencyjne: Dlaczego oddzielenie „Data Science” od „IT” to gwarantowana katastrofa komunikacyjna.
Pobierz program w formacie PDF
Trenerzy
Poznaj ekspertów, którzy mogą poprowadzić Twoje szkolenie.