Kursplan

Introduktion till kontinuerligt lärande

  • Varför kontinuerligt lärande är viktigt
  • Utmaningar med att upprätthålla finjusterade modeller
  • Nyckelstrategier och lärostyper (online, inkrementell, överföring)

Hantering av data och strömningspipelines

  • Hantering av utvecklande datamängder
  • Online-lärande med minibatcher och strömnings-APIer
  • Utmaningar med dataetikettering och annotering över tid

Förebyggande av katastrofalt glömskap

  • Elastisk viktkonsolidering (EWC)
  • Återupptagelse-metoder och övningsstrategier
  • Reglering och minnesaugmenterade nätverk

Modelldrift och övervakning

  • Upptäckande av data- och konceptdrift
  • Mått på modellhälsa och prestandeförfall
  • Utlösning av automatiska modelluppdateringar

Automatisering vid modelluppdatering

  • Automatiserad omträning och schemaläggningsstrategier
  • Integration med CI/CD- och MLOps arbetsflöden
  • Hantering av uppdateringsfrekvens och återställningsplaner

Ramverk och verktyg för kontinuerligt lärande

  • Översikt över Avalanche, Hugging Face datamängder, och Torch Replay
  • Plattformstöd för kontinuerligt lärande (t.ex., MLflow, Kubeflow)
  • Scalability och distribueringsöverväganden

Verkliga Use Caseer och arkitekturer

  • Prediktion av kundbeteenden med utvecklande mönster
  • Industriell maskinövervakning med inkrementella förbättringar
  • Bedrägeridetekteringssystem under förändrade hotmodeller

Sammanfattning och nästa steg

Krav

  • Förståelse för maskininlärningsarbetsflöden och neurala nätverksarkitekturer
  • Erfarenhet av modelljustering och distributionspipelines
  • Kännedom om dataversionering och modellcykelhantering

Målgrupp

  • AI underhållsingenjörer
  • MLOps ingenjörer
  • Maskininlärningspraktiker som ansvarar för modellcykelkontinuitet
 14 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier