MLOps: data pipelines, feature stores, monitoring, A/B

O kursu

Kurs formira inženjersku kulturu rada sa ML sistemima u production okruženju. Studenti izučavaju kompletan ciklus od sirovih podataka do živog servisa: ETL, feature stores, model registry, CI/CD za ML, A/B testiranje i monitoring drifta podataka. Kurs je tesno povezan sa Praksom 2 i pruža alate neophodne za timski industrijski projekat u semestru 3.

Šta ćete naučiti

✓Graditi reproducibilan ML pajplajn od sirovih podataka do deplojovanog modela

✓Konfigurisati feature store uz garanciju training/serving parity

✓Implementirati CI/CD za ML projekat sa automatskom validacijom podataka i modela

✓Sprovoditi A/B test za ML komponentu sa korektnim statističkim dizajnom

✓Konfigurisati monitoring drifta i automatske alerte za degradaciju modela

Ključne teme

•Data pipelines: Airflow, dbt, batch vs streaming (Kafka, Flink)

•Feature stores: offline/online podela, time-travel, backfilling

•Eksperiment-treking: MLflow, W&B; model registry i verzionisanje

•Training/serving parity i distribution shift

•Kontejnerizacija i orkestracija: Docker, Kubernetes za ML

•CI/CD za ML: testiranje modela, validacija šema podataka, shadow deployment

•A/B testiranje i canary releases

•Monitoring drifta podataka i degradacije kvaliteta u production okruženju

•Cost optimization: spot instances, inference caching, batching

Opis je automatski generisan i predavač ga još nije proverio — ovo je nacrt za diskusiju.

O kursu

Šta ćete naučiti

Ključne teme

Povratne informacije