Kursplan

Introduktion

  • Maskininlärningsmodeller vs traditionell programvara

Översikt över DevOps-arbetsflödet

Översikt över maskininlärningsarbetsflödet

ML som kod plus data

Komponenter i ett ML-system

Fallstudie: En försäljningsprognosapplikation

Åtkomst till data

Validering av data

Datatransformation

Från datapipeline till ML-pipeline

Bygga datamodellen

Träning av modellen

Validering av modellen

Reproducering av modellträning

Distribuera en modell

Leverera en tränad modell till produktion

Testa ett ML-system

Kontinuerlig leveransorkestrering

Övervakning av modellen

Dataversionering

Anpassa, skalera och underhålla en MLOps-plattform

Felavhjälpning

Sammanfattning och slutsats

Krav

  • Förståelse för mjukvaruutvecklingscykeln
  • Erfarenhet av att bygga eller arbeta med Machine Learning-modeller
  • Kännedom om Python-programmering

Målgrupp

  • ML-engineers
  • DevOps-engineers
  • Data-engineers
  • Infrastruktur-engineers
  • Programutvecklare
 35 timmar

Antal deltagare


Price per participant

Vittnesmål (3)

Upcoming Courses

Relaterade Kategorier