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
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Курс - 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.