Съдържание и теми, включени в курса
Въведение
- Машинни модели срещу традиционен софтуер
Общ преглед на DevOps работния процес
Общ преглед на работния процес за Машинно учение
ML като код плюс данни
Компоненти на ML система
Кейс студи: Прогноза за продажби
Достъп до данни
Валидация на данни
Преобразуване на данни
От данните към ML Pipeline
Построяване на датов модел
Обучаване на модела
Валидация на модела
Воспроизвеждане на обучението на модела
Разгържане на модел
Осигуряване на трениран модел в продажба
Тестване на ML система
Оркестриране за непрекъснато разгържане
Мониторинг на модела
Версиониране на данни
Адаптиране, мащабиране и поддържане на MLOps платформа
Решаване на проблеми
Заключение и резюме
Изисквания
- Разбиране на цикла за разработка на софтуер
- Опит с построяването или работа с Машинни модели
- Запознаност с програмирането на Python
Публика
- ML инженери
- DevOps инженери
- Дата инженери
- Инфраструктурни инженери
- Програмисти на софтуер
Отзиви от участници (2)
Крейг беше изключително ангажиран с обучението, винаги осигурявайки, че объртаме внимание, адаптираше примерите към нашата дневна дейност и винаги даваше отговор, когато му зададем въпрос, дори ако информацията не беше включена в презентацията.
Ecaterina Ioana Nicoale - BOOKING HOLDINGS ROMANIA SRL
Курс - DevOps Foundation®
Машинен превод
Висок ниво на ангажираност и знания на треньора
Jacek - Softsystem
Курс - DevOps Engineering Foundation (DOEF)®
Машинен превод