План на курса
Въведение
- Machine Learning модели срещу традиционен софтуер
Преглед на DevOps работния процес
Преглед на Machine Learning работния процес
ML като код плюс данни
Компоненти на ML система
Казус от практиката: Приложение за продажби Forecasting.
Accessдаване на данни
Валидиране на данни
Трансформация на данни
От Data Pipeline до ML Pipeline
Изграждане на модела на данни
Обучение на модела
Валидиране на модела
Възпроизвеждане на обучение по модел
Внедряване на модел
Обслужване на обучен модел в производството
Тестване на ML система
Оркестрация на непрекъсната доставка
Мониторинг на модела
Версиониране на данни
Адаптиране, мащабиране и поддържане на MLOps платформа
Отстраняване на неизправности
Обобщение и заключение
Изисквания
- Разбиране на цикъла на разработка на софтуер
- Опит в изграждането или работата с Machine Learning модели
- Познаване на Python програмиране
Публика
- ML инженери
- DevOps инженери
- Инженери по данни
- Инфраструктурни инженери
- Разработчици на софтуер
Oтзиви 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