# 00 — Карта пути

← [Главная](../README.md)

## Цель раздела

Составить **личный план обучения MLOps и MLflow**: понять последовательность разделов, оценить время и подготовить минимальное окружение для практики.

## Предварительно

- Базовые навыки работы с компьютером и терминалом
- Желание учиться последовательно, без пропуска основ
- Математика на уровне «что такое среднее и процент» (достаточно для старта)

## Время

**2–4 часа** (чтение + установка Python и MLflow)

---

## Этапы курса (11 разделов)

| Этап | Раздел | Фокус | Часы |
|------|--------|-------|------|
| 0 | [00 — Карта пути](README.md) | План, окружение | 2–4 |
| 1 | [01 — Основы](../01-osnovy/README.md) | Что такое MLOps и MLflow | 6–10 |
| 2 | [02 — Архитектура](../02-arhitektura/README.md) | Стек, слои, потоки данных | 8–12 |
| 3 | [03 — Компоненты MLflow](../03-komponenty-mlflow/README.md) | Tracking, Registry, Models | 20–30 |
| 4 | [04 — Компоненты MLOps](../04-komponenty-mlops/README.md) | Пайплайны, деплой, мониторинг | 20–30 |
| 5 | [05 — Концепции](../05-kontseptsii/README.md) | Reproducibility, lineage | 8–12 |
| 6 | [06 — Принципы](../06-printsipy/README.md) | Shift-left, automation | 4–6 |
| 7 | [07 — Инструменты](../07-instrumenty/README.md) | MLflow, DVC, Airflow, K8s | 8–12 |
| 8 | [08 — Практики](../08-praktiki/README.md) | CI/CD ML, governance | 10–15 |
| 9 | [09 — Шаблоны](../09-shablony/README.md) | Batch, online, feature pipeline | 8–12 |
| 10 | [10 — Практикум](../10-praktikum/README.md) | Лабораторные работы | 15–25 |

**Итого:** 110–170 часов (4–8 месяцев при 5–8 ч/нед).

```mermaid
flowchart LR
  A[00 План] --> B[01-02 Основы]
  B --> C[03 MLflow]
  C --> D[04 MLOps]
  D --> E[05-08 Концепции и практики]
  E --> F[09-10 Шаблоны и лабы]
```

---

## Минимальное окружение

| Инструмент | Зачем |
|------------|-------|
| Python 3.10+ | Язык для MLflow SDK и учебных скриптов |
| pip / venv | Изолированное окружение |
| MLflow (`pip install mlflow`) | Tracking и модели |
| Git | Версионирование кода и конфигов |
| Docker (опционально) | Контейнеризация моделей и сервера MLflow |
| Текстовый редактор | Python-скрипты и YAML |

Проверка после установки:

```bash
python3 --version
python3 -m venv .venv
source .venv/bin/activate
pip install mlflow scikit-learn
mlflow --version
```

---

## Контрольные точки

| После раздела | Вы должны уметь |
|---------------|-----------------|
| 01 | Объяснить разницу между «обучил модель» и «внедрил ML в production» |
| 02 | Нарисовать схему: данные → обучение → registry → serving |
| 03 | Залогировать run в MLflow и найти его в UI |
| 07 | Назвать 5 инструментов MLOps-стека |
| 10 | Пройти end-to-end лабораторную: train → register → predict |

---

## Самопроверка раздела

1. Запишите, сколько часов в неделю вы готовы учиться.
2. Установите Python и MLflow в виртуальное окружение.
3. Отметьте дату «конец раздела 03» в календаре.

---

## Дальше

→ [01 — Основы](../01-osnovy/README.md)