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
Vittnesmål (3)
Det fanns många praktiska övningar som ledig och hjälptes av tränaren
Aleksandra - Fundacja PTA
Kurs - Mastering Make: Advanced Workflow Automation and Optimization
Machine Translated
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurs - 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.