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
Vittnesmål (3)
Det fanns många praktiska övningar som övervakades och stöddes av instruktören
Aleksandra - Fundacja PTA
Kurs - Mastering Make: Advanced Workflow Automation and Optimization
Maskintolkat
ML-ekosystemet omfattar inte bara MLflow utan också Optuna, Hyperopt, Docker och Docker Compose
Guillaume GAUTIER - OLEA MEDICAL
Kurs - MLflow
Maskintolkat
Jag uppskattade att delta i Kubeflow-träningen, som hålls på avstånd. Denna träning möjliggjorde för mig att fastställa min kunskap om AWS-tjänster, K8s och alla devOps-verktyg runt Kubeflow, vilka är de nödvändiga grunderna för att tillämpligt ange ämnet. Jag vill tacka Malawski Marcin för hans tålamod och professionella inställning vid träningen och råd om bästa praxis. Malawski behandlar ämnet från olika perspektiv, med olika distributionsverktyg som Ansible, EKS kubectl och Terraform. Nu är jag säker på att jag går in i rätt tillämpningsområde.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Kurs - Kubeflow
Maskintolkat