Kurzusleírás
Bevezetés
- Gépi tanulási modellek vs hagyományos szoftverek
A DevOps munkafolyamat áttekintése
A gépi tanulási munkafolyamat áttekintése
ML mint kód plusz adat
Egy ML rendszer összetevői
Esettanulmány: Egy értékesítési előrejelzési alkalmazás
Adatok elérése
Adatok ellenőrzése
Adatok átalakítása
Az adatfolyamtól az ML folyamatig
Az adatmodell felépítése
A modell betanítása
A modell ellenőrzése
A modell képzésének reprodukálása
Modell üzembe helyezése
Egy betanított modell kiszolgálása a termelésben
Egy ML rendszer tesztelése
Folyamatos szállítás szervezése
A modell monitorozása
Adatverziókezelés
Egy MLOps platform adaptálása, skálázása és karbantartása
Hibaelhárítás
Összefoglalás és befejezés
Követelmények
- A szoftverfejlesztési ciklus ismerete
- Tapasztalat gépi tanulási modellek építésében vagy használatában
- Ismeret a Python programozás terén
Közönség
- ML mérnökök
- DevOps mérnökök
- Adatmérnökök
- Infrastruktúra mérnökök
- Szoftverfejlesztők
Vélemények (2)
Craig nagyon aktívan vett részt a képzésben, mindig ellenőrizve, hogy figyelmesek-e vagyunk, alkalmazta a példákat naprakész tevékenységeinkhez és minden alkalommal adott választ, még akkor is, ha az információ nem szerepelhetett a bemutatóban.
Ecaterina Ioana Nicoale - BOOKING HOLDINGS ROMANIA SRL
Kurzus - DevOps Foundation®
Gépi fordítás
Magas elkötelezettség és tudás a képző szakembertől
Jacek - Softsystem
Kurzus - DevOps Engineering Foundation (DOEF)®
Gépi fordítás