Kurzusleírás
Bevezetés
- Machine Learning modellek kontra hagyományos szoftverek
A DevOps munkafolyamat áttekintése
A Machine Learning munkafolyamat áttekintése
ML Code Plus adatként
Az ML rendszer összetevői
Esettanulmány: A Sales Forecasting alkalmazás
Accessadatokat
Adatok érvényesítése
Adatátalakítás
A Data Pipeline-tól az ML Pipeline-ig
Az adatmodell felépítése
A modell képzése
A modell érvényesítése
A modellképzés reprodukálása
Modell bevezetése
Betanított modell kiszolgálása a gyártásban
ML rendszer tesztelése
Folyamatos kézbesítési hangszerelés
A modell figyelése
Adatverzió
Egy MLOps platform adaptálása, méretezése és karbantartása
Hibaelhárítás
Összefoglalás, és következtetés
Követelmények
- A szoftverfejlesztési ciklus megértése
- Tapasztalja meg Machine Learning modellek építését vagy munkáját
- Ismerkedés a Python programozással
Közönség
- ML mérnökök
- DevOps mérnökök
- Adatmérnökök
- Infrastruktúra mérnökök
- Szoftverfejlesztők
Vélemények (3)
Sok gyakorlati feladat volt a tanári figyelemmel és támogatásával
Aleksandra - Fundacja PTA
Kurzus - Mastering Make: Advanced Workflow Automation and Optimization
Gépi fordítás
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurzus - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.