Kursplan

Introduksjon

  • Maskinlæringsmodeller vs tradisjonell programvare

Oversikt over DevOps-arbeidsflyt

Oversikt over Maskinlæringsarbeidsflyt

ML som kode pluss data

Komponenter i et ML-system

Eksempelstudie: Et salgsprognoseapplikasjon

Tilgang til data

Validering av data

Datatransformasjon

Fra datapipeline til ML-pipeline

Bygging av datamodellen

Trening av modellen

Validering av modellen

Reproduksjon av modelltrening

Driftsetting av en modell

Servering av en trenet modell til produksjon

Testing av et ML-system

Kontinuerlig leveranseorkestrering

Overvåking av modellen

Data-versjonering

Tilpasning, skaling og vedlikehold av et MLOps-plattform

Feilsøking

Sammendrag og konklusjon

Krav

  • Forståelse av programvareutviklingscyklen
  • Erfaring med å bygge eller jobbe med Maskinlæringsmodeller
  • Kjennskap til Python-programmering

Målgruppe

  • ML-ingeniører
  • DevOps-ingeniører
  • Dataingeniører
  • Infrastruktur-ingeniører
  • Programutviklere
 35 Timer

Antall deltakere


Pris per deltaker

Referanser (3)

Kommende kurs

Relaterte kategorier