Создание и развертывание ML-модели оттока клиентов с помощью FastAPI, MLFlow, Docker и AWS

🎁 БЕСПЛАТНО: 10 фильтров, которые я использую для каждой вакансии (скачать): https://www.anasriad.com/upwork-check... 📘 Полный курс (скидка 30% по коду UPWORK30): https://www.anasriad.com/become-a-top... Это первый проект из этой серии, охватывающий все этапы работы. Цель — создание и развертывание моделей машинного обучения (и глубокого обучения) с упором на весь конвейер обработки данных (очистка, обучение, слой обслуживания, контейнер Docker, CI/CD, конвейер, развертывание и мониторинг), а не только на традиционные руководства, где все делается в блокноте. Технологический стек и инструменты: Great Expectation (качество данных) FastAPI (HTTP-конечная точка) Docker (контейнеризация) MLFlow (отслеживание экспериментов машинного обучения) GitHub Actions (CI/CD, запуск, тестирование, развертывание) AWS ECS (Fargate) и ALB Полезные ссылки: (Поставьте звездочку репозиторию :) ) https://github.com/anesriad/Telco-Cus... https://www.kaggle.com/datasets/blast... ВРЕМЕННЫЕ МЕТКИ: 0:00 — Обзор проекта, инструментов и набора данных 10:20 — Настройка среда (клон или создание с нуля) 13:45 - EDA (очистка, кодирование, модели машинного обучения, гиперпараметры) 33:22 - Модульная разработка в виде скриптов Python (MLFlow, конвейеры, тесты) 49:49 - FastAPI (HTTP-конечная точка) 56:06 - Docker (контейнеры) 01:05:06 - CI/CD с GitHub Actions 01:08:55 - Развертывание на AWS 01:20:00 - UI и тестирование развернутой в реальном времени модели машинного обучения Далее: Проект сквозной регрессии машинного обучения. Оставляйте свои предложения в комментариях или пишите мне в LinkedIn:   / riadanas   Запросы по бренду: https://www.passionfroot.me/anas-riad