Kursplan

Introduktion

  • Maskininlärningsmodeller vs traditionell mjukvara

Översikt över DevOps-arbetsflöde

Översikt över maskininlärningsarbetsflöde

ML som kod plus data

Komponenter i ett ML-system

Fallstudie: En försäljningsprognosapplikation

Åtkomst till data

Validering av data

Dataomvandling

Från data-pipeline till ML-pipeline

Bygga data-modellen

Träna modellen

Validera modellen

Reproducera modellträning

Distribuera en modell

Servera en tränad modell till produktion

Testa ett ML-system

Kontinuerlig leveransorchestration

Övervaka modellen

Data-versionering

Anpassa, skala och underhålla en MLOps-plattform

Fel sökning

Sammanfattning och slutsats

Krav

  • En förståelse för programutvecklingscykeln
  • Erfarenhet av att bygga eller arbeta med maskininlärningsmodeller
  • Bekantskap med Python-programmering

Målgrupp

  • ML-ingénörer
  • DevOps-ingénörer
  • Dataingénörer
  • Infrastrukturtingénörer
  • Programutvecklare
 35 Timmar

Antal deltagare


Pris per deltagare

Vittnesmål (3)

Kommande Kurser

Relaterade Kategorier