Kursplan
Innføring
- Maskinlæringsmodeller vs tradisjonell programvare
Oversikt over DevOps-workflowen
Oversikt over maskinlæringsarbeidsflyten
ML som kode pluss data
Komponenter i et ML-system
Casestudie: En salgsprognoseapplikasjon
Tilgang til data
Validering av data
Datatransformasjon
Fra datapipeline til ML-pipeline
Oppbygging av datamodell
Trening av modell
Validering av modell
Gjenoppretting av modelltrening
Utplassering av modell
Tilby en trent modell til produksjon
Testing av et ML-system
Kontinuert levering med koordinering
Overvåking av modell
Data versjonering
Tilpasning, skalering og vedlikehold av MLOps-plattform
Feilsøking
Oppsummering og konklusjon
Krav
- En forståelse av programvareutviklingsprosessen
- Erfaring med bygge eller arbeid med Machine Learning modeller
- Kjennskap til Python-programmering
Målgruppe
- ML-ingeniører
- DevOps-ingeniører
- Data-ingeniører
- Infrastruktur-ingeniører
- Programvareutviklere
Referanser (3)
Det var mange praktiske øvelser som ble veiledet og assistert av treneren
Aleksandra - Fundacja PTA
Kurs - Mastering Make: Advanced Workflow Automation and Optimization
Maskinoversatt
ML-økosystemet omfatter ikke bare MLFlow, men også Optuna, Hyperopt, Docker og Docker Compose
Guillaume GAUTIER - OLEA MEDICAL
Kurs - MLflow
Maskinoversatt
Jeg nyttet på å delta i Kubeflow-treningen, som ble holdt pa nätet. Denne treningen gjorde det mulig for meg å fest igjen kunnskapen min om AWS-tjenester, K8s og alle devOps-verktøyene rundt Kubeflow, som er de nødvendige grunnlagene for å tilnærme seg emnet på riktig måte. Jeg ønsker å takke Malawski Marcin for hans tålmodighet og profesjonale innstilling når det gjelder trening og råd om beste praksis. Malawski tilnærmer seg emnet fra ulike vinkler, med ulike distribusjonsverktøy som Ansible, EKS kubectl, Terraform. Nå er jeg helt overbevist om at jeg går inn i det riktige anvendelsesfeltet.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Kurs - Kubeflow
Maskinoversatt