Kursplan

Introduktion

  • Machine Learning modeller kontra traditionell programvara

Översikt över arbetsflödet DevOps

Översikt över arbetsflödet Machine Learning

ML som Code Plus Data

Komponenter i ett ML-system

Fallstudie: En försäljningsapplikation Forecasting

Accessing Data

Validerar data

Datatransformation

Från Data Pipeline till ML Pipeline

Bygga datamodellen

Utbildning av modellen

Validera modellen

Reproducera modellträning

Utplacera en modell

Servera en utbildad modell till produktion

Testa ett ML-system

Kontinuerlig leverans orkestrering

Övervakning av modellen

Dataversionering

Anpassa, skala och underhålla en MLOps plattform

Felsökning

Sammanfattning och slutsats

Krav

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

Publik

  • ML ingenjörer
  • DevOps ingenjörer
  • Dataingenjörer
  • Infrastrukturingenjörer
  • Mjukvaruutvecklare
 35 timmar

Antal deltagare



Price per participant

Vittnesmål (3)

Relaterade Kategorier