פיתוח Full Stack הוא אחד התחומים המבוקשים ביותר בעולם התוכנה, המשלב פיתוח צד לקוח (Frontend), צד שרת (Backend), בסיסי נתונים ויכולות פריסה לענן. בקורס זה המשתתפים ילמדו את כלל הטכנולוגיות הנדרשות לפיתוח יישומי Web מודרניים, החל מיסודות התכנות ועד לפיתוח אפליקציות מלאות באמצעות JavaScript, React, Node.js, SQL ו-Cloud. הקורס משלב תרגול מעשי רב ופרויקט מסכם, המאפשר לבוגרים לצבור ניסיון מעשי בפיתוח מערכות מקצה לקצה.

סדנה זו עוסקת בתכנון, יישום ותפעול של תהליכי Machine Learning בסביבות ענן, תוך שימוש בשירותים מנוהלים וכלים ענניים מתקדמים. הסדנה מספקת הבנה מעשית של האופן שבו תשתיות ענן מאפשרות בנייה של מערכות ML סקיילביליות, אמינות ואוטומטיות.

במהלך הסדנה ייחשפו המשתתפים ליכולות MLOps של ספקי הענן המובילים, עם דגש על שירותי AWS. המשתתפים ילמדו כיצד כלים ענניים תומכים באחסון נתונים, אימון מודלים, פריסה, אוטומציה וניטור, וכיצד לשלב שירותים אלו בתהליכי Machine Learning מקצה לקצה.

סדנה זו עוסקת בניהול נכון של פרויקטי Machine Learning באמצעות מתודולוגיות MLOps, החל מתכנון מבנה הפרויקט ועד לניהול קוד, נתונים ותהליכי עבודה בסביבה ארגונית. המשתתפים ילמדו לעבוד עם Git ו־DVC, ליישם בקרת גרסאות לקוד ולנתונים, לנהל שיתוף פעולה בין צוותים ולהבטיח תהליכי פיתוח אמינים, ניתנים לשחזור וסקיילביליים לאורך כל מחזור החיים של המודל.

סדנה זו עוסקת בהטמעה, פריסה וניהול של מודלי Machine Learning בסביבות Production ארגוניות. הסדנה מהווה גשר בין שלב פיתוח המודל לבין עבודה בסביבה תפעולית אמיתית, תוך דגש על יציבות, סקיילביליות, אוטומציה וניטור מתמשך.

במהלך הסדנה ילמדו המשתתפים כיצד לפרוס מודלים באמצעות תהליכי Batch ו־Real-time, לשלב תהליכי CI/CD בעולמות ה־MLOps, לנטר ביצועי מודלים ומדדי מערכת, וליישם שיטות בדיקה ובקרה במערכות ML תפעוליות. הסדנה משלבת הבנה ארכיטקטונית עם תרגול מעשי המדמה עבודה בסביבת Production.

סדנה זו עוסקת בתשתיות הליבה הנדרשות להפעלה, ניהול וסקייל של מערכות Machine Learning בסביבות Production. הסדנה מתמקדת בהבנת שכבת התשתית שעליה פועלים מודלים, החל מאריזת עומסי עבודה (Workloads), דרך ניהול משאבי חישוב ועד לניהול עקבי של פיצ’רים לאורך מחזור החיים של מודלים.

במהלך הסדנה ילמדו המשתתפים כיצד תשתיות מודרניות מאפשרות עבודה יציבה, סקיילבילית ויעילה של מערכות ML, תוך שימוש בקונטיינרים, ניהול משאבי CPU ו־GPU, ויישום Feature Stores כתשתית מרכזית לניהול פיצ’רים בארגון. הדגש הוא על פרקטיקות תשתיתיות הנהוגות בסביבות MLOps מתקדמות.