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
Data Pipeline-tól az ML Pipeline-ig
Az adatmodell felépítése
A modell képzése
A modell érvényesítése
A modellképzés reprodukálása
Modell telepítése
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
- Gépi tanulási modellek építésében vagy az azokkal való munkavégzésben szerzett tapasztalat
- Ismerkedés a Python programozással
Közönség
- ML mérnökök
- DevOps mérnökök
- Adatmérnökök
- Infrastruktúra mérnökök
- Szoftverfejlesztők
Vélemények (3)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurzus - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life™
Kurzus - Kubeflow
dolgozik a DevOps Toolchain-nel
Kesh - Vodacom
Kurzus - DevOps Foundation®
Machine Translated