Kurzusleírás
Bevezetés
- Gépi tanulás modellek vs hagyományos szoftverek
DevOps munkafolyamat áttekintése
Gépi tanulás munkafolyamat áttekintése
ML, mint kód és adat
Egy ML rendszer összetevői
Esettanulmány: Eladási előrejelzés alkalmazás
Adatokhoz való hozzáférés
Adatok ellenőrzése
Adattranszformáció
Adatfolyam az ML folyamra
Az adatmodell építése
A modell kiképzése
A modell ellenőrzése
Modellkiképzés ismétlésének biztosítása
Modell telepítése
Kiképzett modell szolgáltatása a termelési környezetben
ML rendszer tesztelése
Folyamat automatizálás folyamatos átadással
Modell figyelése
Adatverziózás
MLOps platform adaptálása, skálázása és karbantartása
Hibakeresés
Összegzés és záró szóc
Követelmények
- A programozási fejlesztési ciklus megértése
- Tapasztalat a Machine Learning modellek építésével vagy használatával
- Ismeret a Python programozással
Célközönség
- ML mérnökök
- DevOps mérnökök
- Adatmérnökök
- Infrastruktúra mérnökök
- Szoftverfejlesztők
Vélemények (3)
Sok gyakorlati feladat volt a tanári figyelemmel és támogatásával
Aleksandra - Fundacja PTA
Kurzus - Mastering Make: Advanced Workflow Automation and Optimization
Gépi fordítás
Az ML ekoszisztéma nem csak MLFlow-t, hanem Optuna, hyperops, docker és docker-compose is tartalmazza.
Guillaume GAUTIER - OLEA MEDICAL
Kurzus - MLflow
Gépi fordítás
I élveztem a részvételt a Kubeflow képzésen, amelyet távolról tartottak. Ez a képzés lehetővé tette számomra, hogy megfossam az AWS szolgáltatások, a K8s, és az összes Kubeflow-hoz tartozó devOps eszköz ismereteit, amelyek a tárgy megfelelő megközelítéséhez szükségesek. Köszönöm Malawski Marcinnek a kitartását és a szakmai hozzáállását a képzés és a legjobb gyakorlatok tanácsai során. Malawski különböző szempontokból közelíti meg a tárgyat, különböző telepítési eszközök Ansible, EKS kubectl, Terraform. Most biztos vagyok benne, hogy a megfelelő alkalmazási területre léptek.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Kurzus - Kubeflow
Gépi fordítás