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
Testimonials (3)
Det var mange praktiske øvelser under observasjon og støtte fra treneren
Aleksandra - Fundacja PTA
Kurs - Mastering Make: Advanced Workflow Automation and Optimization
Machine Translated
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurs - 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.