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
 35 timer

Antall deltakere


Price per participant

Testimonials (3)

Upcoming Courses

Related Categories