План на курса
Введение
- Модели на машинно обучение vs традиционно софтуер
Обзор на процеса DevOps
Обзор на процеса машинно обучение
ML като код плюс данни
Компоненти на ML система
Примерен случай: Приложение за прогнозиране на продажби
Достъп до данни
Валидиране на данни
Преобразуване на данни
От Data Pipeline към ML Pipeline
Създаване на модел на данни
Обучаване на модел
Валидиране на модел
Възпроизвеждане на обучение на модел
Развертане на модел
Обслужване на обучаван модел в производство
Тестване на ML система
Оркестрация на непрекъснато доставяне
Мониторинг на модела
Версиониране на данни
Адаптиране, масштабиране и поддържане на MLOps платформа
Диагностика на проблеми
Резюме и заключение
Изисквания
- Разбиране на цикъла на разработка на софтуер
- Опит в изграждане или работа с модели на машинно обучение
- Запознаване с програмирането на Python
Целева аудитория
- Инженери по ML
- Инженери по DevOps
- Инженери по данни
- Инженери по инфраструктура
- Разработчици на софтуер
Отзиви от потребители (3)
Имахме много практически упражнения, които бяха надглеждани и помощни от треньора.
Aleksandra - Fundacja PTA
Курс - Mastering Make: Advanced Workflow Automation and Optimization
Машинен превод
Към екосистемата на машинно обучение спадат не само MLFlow, но и Optuna, hyperops, docker, docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Курс - MLflow
Машинен превод
Къснах се да участвам в тренинг Kubeflow, който беше проведен онлайн. Това обучение ми позволи да утвърдя знанията си за AWS услуги, K8s, всички devOps инструменти около Kubeflow, които са необходимите основи, за да се справя правилно с темата. Исках да благодаря Малявски Марчин за търпеливостта и професионализма му при обучението и съветите за най-добрите практики. Малявски подходи към темата от различни ъгли, различни инструменти за развертане Ansible, EKS kubectl, Terraform. Сега съм напълно убеден, че отивам в правилната област на приложение.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Курс - Kubeflow
Машинен превод