Plan Szkolenia

Wprowadzenie

  • Modele Machine Learning a tradycyjne oprogramowanie

Przegląd DevOps przepływu pracy

Przegląd przepływu pracy Machine Learning

ML jako kod plus dane

Składniki systemu uczenia maszynowego

Studium przypadku: Aplikacja sprzedażowa Forecasting

Dane Access

Weryfikacja danych

Transformacja danych

Od potoku danych do potoku uczenia maszynowego

Budowanie modelu danych

Trenowanie modelu

Walidacja modelu

Odtwarzanie treningu modelu

Wdrażanie modelu

Dostarczanie wytrenowanego modelu do produkcji

Testowanie systemu uczenia maszynowego

Orkiestracja ciągłego dostarczania

Monitorowanie modelu

Wersjonowanie danych

Dostosowywanie, skalowanie i utrzymywanie platformy MLOps

Rozwiązywanie problemów

Podsumowanie i wnioski

Wymagania

  • Zrozumienie cyklu rozwoju oprogramowania
  • Doświadczenie w budowaniu lub pracy z modelami Machine Learning
  • Znajomość programowania Python

Uczestnicy

  • Inżynierowie ML
  • Inżynierowie DevOps
  • Inżynierowie danych
  • Inżynierowie infrastruktury
  • Deweloperzy oprogramowania
 35 godzin

Liczba uczestników


cena netto za uczestnika

Opinie uczestników (3)

Propozycje terminów

Powiązane Kategorie