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 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