Course Outline
Εισαγωγή
- Machine Learning μοντέλα έναντι παραδοσιακού λογισμικού
Επισκόπηση της ροής εργασίας DevOps
Επισκόπηση της ροής εργασίας Machine Learning
ML ως δεδομένα Code Plus
Στοιχεία ενός συστήματος ML
Μελέτη περίπτωσης: A Sales Forecasting Εφαρμογή
Accessing Data
Επικύρωση δεδομένων
Μετασχηματισμός Δεδομένων
Από τον αγωγό δεδομένων στον αγωγό ML
Κατασκευή του μοντέλου δεδομένων
Εκπαίδευση του Μοντέλου
Επικύρωση του μοντέλου
Reproducing Model Training
Ανάπτυξη μοντέλου
Εξυπηρέτηση εκπαιδευμένου μοντέλου στην παραγωγή
Δοκιμή συστήματος ML
Ενορχήστρωση Συνεχούς Παράδοσης
Παρακολούθηση του Μοντέλου
Εκδόσεις δεδομένων
Προσαρμογή, κλιμάκωση και διατήρηση μιας MLOps πλατφόρμας
Αντιμετώπιση προβλημάτων
Περίληψη και Συμπέρασμα
Requirements
- Κατανόηση του κύκλου ανάπτυξης λογισμικού
- Απολαύστε εμπειρία κατασκευής ή εργασίας με Machine Learning μοντέλα
- Εξοικείωση με τον προγραμματισμό Python
Ακροατήριο
- Μηχανικοί ML
- DevOps μηχανικοί
- Μηχανικοί δεδομένων
- Μηχανικοί υποδομής
- προγραμματιστές λογισμικού
Testimonials (3)
Υπήρξαν πολλά πρακτικά ασκήματα υπό την επίβλεψη και βοήθεια του ιδρυτή
Aleksandra - Fundacja PTA
Course - 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
Course - 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.