Plan Szkolenia
Wprowadzenie
- Modele uczenia maszynowego a tradycyjne oprogramowanie
Przegląd przepływu pracy DevOps
Przegląd przepływu pracy uczenia maszynowego
ML jako kod plus dane
Komponenty systemu ML
Studium przypadku: Aplikacja do prognozowania sprzedaży
Dostęp do danych
Walidacja danych
Transformacja danych
Od potoku danych do potoku ML
Budowanie modelu danych
Trenowanie modelu
Walidacja modelu
Powtarzalność trenowania modelu
Wdrażanie modelu
Udostępnianie wytrenowanego modelu w produkcji
Testowanie systemu ML
Orchestracja ciągłego dostarczania
Monitorowanie modelu
Wersjonowanie danych
Adaptacja, skalowanie i utrzymanie platformy MLOps
Rozwiązywanie problemów
Podsumowanie i zakończenie
Wymagania
- Zrozumienie cyklu rozwoju oprogramowania
- Doświadczenie w budowaniu lub pracy z modelami uczenia maszynowego
- Znajomość programowania w Pythonie
Grupa docelowa
- Inżynierowie ML
- Inżynierowie DevOps
- Inżynierowie danych
- Inżynierowie infrastruktury
- Programiści
Opinie uczestników (2)
Craig był bardzo zaangażowany w szkolenie, zawsze zapewniał, że jesteśmy skupieni, dostosowywał przykłady do naszej codziennej pracy i zawsze udzielał odpowiedzi na zadane pytania, nawet jeśli informacja nie była zawarta w prezentacji.
Ecaterina Ioana Nicoale - BOOKING HOLDINGS ROMANIA SRL
Szkolenie - DevOps Foundation®
Przetłumaczone przez sztuczną inteligencję
Wysoki poziom zaangażowania i wiedzy trenera
Jacek - Softsystem
Szkolenie - DevOps Engineering Foundation (DOEF)®
Przetłumaczone przez sztuczną inteligencję