Курс Cloud.ru: MLOps Engineer

Добро пожаловать в репозиторий Cloud.ru MLOps Engineer — курса о практиках развертывания, эксплуатации и автоматизации ML-систем с использованием сервисов Cloud.ru Evolution: AI Factory и Data Platform.

Курс охватывает все этапы MLOps: от подготовки данных до запуска модели в продакшен. Здесь собраны все материалы для прохождения практики — готовые скрипты с примерами кода, данными и ноутбуками, необходимыми для работы в облачной платформе Cloud.ru Evolution.

🔗 Пройти курс

---

Кому подойдёт курс?

IT-специалистам

Поможет освоить полный MLOps-цикл: от подготовки данных до запуска и сопровождения моделей в продакшен.

CTO и CIO

Покажет, как выстроить стратегию внедрения AI в компании на базе надёжных и безопасных ML-сервисов.

Всем, кто внедряет MLOps и AI в бизнес

Даст практическое понимание, как работают реальные ML-системы в облаке Cloud.ru Evolution.

---

Что вы узнаете?

• Как организовать MLOps-цикл в облаке
• Как подготавливать данные с помощью Evolution Managed Spark и Evolution Managed Trino
• Как обучать и отслеживать эксперименты в Evolution Notebooks с использованием MLflow
• Как запускать модели в продакшен через Evolution ML Inference
• Как использовать Evolution ML Inference Docker RUN, API и автоскейлинг для стабильного и масштабируемого инференса

---

Структура репозитория

├── module2_data_platform/ # Работа с данными: ETL, Spark, генерация
├── module3_training/ # Обучение моделей, MLflow, структурирование проекта
└── module4_inference/ # Запуск моделей: API, Docker, инференс

module2_data_platform/

Работа с платформой данных: ETL, очистка, преобразование и хранение данных.

Файл	Назначение
practic1_data_gen.py	Генерация учебных данных
salesdb_data_gen.py	Генерация данных о продажах
churn_etl.py	ETL-пайплайн для задачи оттока
spark_clean.py	Очистка данных с помощью PySpark
spark_to_csv.py, spark_to_parquet.py	Экспорт данных в разные форматы
spark_ml.py, spark_ml_adv.py	Примеры ML с PySpark
m2.3_spark_examp1.py	Пример работы с Spark
clients.csv, orders.csv, ML-data-source.csv	Учебные датасеты

---

module3_training/

Обучение моделей, трекинг экспериментов, управление окружением.

module_3_2/

• Модуль_3_2_Первый_запуск_JupyterLab.ipynb — запуск ноутбука в Evolution Notebooks

module_3_3/

• Модуль_3_3_От_ноутбука_к_продакшену.ipynb — переход от прототипа к продакшену
• data_loader.py, features.py, train.py — модульная структура ML-проекта
• cli.py — CLI-интерфейс для запуска обучения
• config.txt — конфигурация эксперимента

module_3_4/

• Модуль_3_4_Профессиональный_трекинг_экспериментов_ОБНОВЛЕННЫЙ.ipynb — работа с MLflow
• adv_train.py — расширенное обучение с логированием
• config.txt, cli.py — конфигурация и CLI

---

module4_inference/

Запуск моделей в продакшен: API, Docker RUN, инференс.

module_4_1/

• Модуль_4_1_Инференс.ipynb — запуск модели через API
• app.py — простое Flask-приложение для инференса
• churn_model.pkl — сохранённая модель

module_4_3/

• Модуль_4_3_Docker_run.ipynb — запуск модели в Docker RUN
• Dockerfile — образ для контейнеризации модели
• requirements.txt — зависимости
• app.py — Flask-сервер с инференсом
• churn_model.pkl — модель для развёртывания

---

Лицензия

Этот репозиторий распространяется под лицензией MIT. Вы можете свободно использовать, копировать, модифицировать и распространять материалы для любых целей при условии указания авторства.