Съдържание и теми, включени в курса
Въведение
- Модели за машинно обучение срещу традиционен софтуер
Общ преглед на работния процес в DevOps
Общ преглед на работния процес в машинното обучение
ML като код плюс данни
Компоненти на една ML система
Казус: Приложение за прогнозиране на продажби
Достъп до данни
Валидиране на данни
Трансформация на данни
От Data Pipeline към ML Pipeline
Изграждане на модела на данните
Обучение на модела
Валидиране на модела
Възпроизвеждане на обучението на модела
Внедряване на модел
Предоставяне на обучен модел в продукционна среда
Тестване на ML система
Оркестрация на непрекъсната доставка
Мониторинг на модела
Версиониране на данни
Адаптиране, мащабиране и поддръжка на MLOps платформа
Отстраняване на проблеми
Обобщение и заключение
Изисквания
- Разбиране на цикъла на софтуерна разработка
- Опит в изграждането или работата с модели за машинно обучение
- Познаване на програмирането на Python
Аудитория
- ML инженери
- DevOps инженери
- Инженери по данни
- Инфраструктурни инженери
- Софтуерни разработчици
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