Plan Szkolenia

Wprowadzenie

  • Modele uczenia maszynowego w porównaniu do tradycyjnego oprogramowania

Przegląd przepływu pracy DevOps

Przegląd przepływu pracy Machine Learning

ML jako kod plus dane

Składniki systemu ML

Przypadkowe studium: Aplikacja prognozowania sprzedaży

Dostęp do danych

Walidacja danych

Transformacja danych

Od rurociągu danych do rurociągu ML

Budowa modelu danych

Trenowanie modelu

Walidacja modelu

Powtarzanie treningu modelu

Wdrażanie modelu

Dostarczanie nauczonego modelu do produkcji

Testowanie systemu ML

Orchestracja dostarczania ciągłego

Monitorowanie modelu

Wersjonowanie danych

Dostosowywanie, skalowanie i utrzymywanie platformy MLOps

Naprawianie błędów

Podsumowanie i wnioski

Wymagania

  • Zrozumienie cyklu rozwoju oprogramowania
  • Doświadczenie w budowie lub pracy z modelami Machine Learning
  • Zapoznanie z programowaniem w Pythonie

Grupa docelowa

  • Inżynierowie ML
  • Inżynierowie DevOps
  • Inżynierowie danych
  • Inżynierowie infrastruktury
  • Programiści
 35 godzin

Liczba uczestników


cena netto za uczestnika

Opinie uczestników (3)

Propozycje terminów

Powiązane Kategorie