Kurzusleírás
Bevezetés
- Machine Learning modellek kontra hagyományos szoftverek
A DevOps munkafolyamat áttekintése
A Machine Learning munkafolyamat áttekintése
ML Code Plus adatként
Az ML rendszer összetevői
Esettanulmány: A Sales Forecasting alkalmazás
Accessadatokat
Adatok érvényesítése
Adatátalakítás
A Data Pipeline-tól az ML Pipeline-ig
Az adatmodell felépítése
A modell képzése
A modell érvényesítése
A modellképzés reprodukálása
Modell bevezetése
Betanított modell kiszolgálása a gyártásban
ML rendszer tesztelése
Folyamatos kézbesítési hangszerelés
A modell figyelése
Adatverzió
Egy MLOps platform adaptálása, méretezése és karbantartása
Hibaelhárítás
Összefoglalás, és következtetés
Követelmények
- A szoftverfejlesztési ciklus megértése
- Tapasztalja meg Machine Learning modellek építését vagy munkáját
- Ismerkedés a Python programozással
Közönség
- 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