Lokalne, prowadzone przez instruktora kursy szkoleniowe na żywo MLflow demonstrują poprzez interaktywną praktyczną praktykę, jak używać MLflow do usprawniania cyklu życia uczenia maszynowego i zarządzania nim. Szkolenie MLflow jest dostępne jako „szkolenie online na żywo” lub „szkolenie na żywo na miejscu”. Szkolenie na żywo online (inaczej "zdalne szkolenie na żywo") odbywa się za pomocą interaktywnego, zdalnego pulpitu . Szkolenie na żywo na miejscu może odbywać się lokalnie w siedzibie klienta w Trójmiasto lub w korporacyjnych centrach szkoleniowych NobleProg w Trójmiasto. NobleProg — Twój lokalny dostawca szkoleń
Gdynia
Hotel Nadmorski, Ejsmonda 2, Gdynia, Polska, 81-409
Sala szkoleniowa znajduje się zaledwie 3 kilometry od Dworca PKP/PKS w Gdyni, co sprawia, że jest łatwo dostępna dla uczestników podróżujących pociągiem lub autobusem. Dodatkowo, jest oddalona tylko o 400 metrów od przystanku autobusowego, ułatwiając dojazd nawet tym, którzy podróżują komunikacją miejską. Wyposażona jest w niezbędne narzędzia do prowadzenia szkoleń, takie jak rzutnik, ekran oraz flipchart, co zapewnia komfortowe warunki dla uczestników i prowadzącego zajęcia.
Gdańsk
Hotel Fahrenheit, Grodzka 19, Gdańsk, Polska, 80-841
Sala szkoleniowa znajduje się w samym sercu malowniczej gdańskiej starówki, co sprawia, że otoczenie jest nie tylko inspirujące, ale także wyjątkowo atrakcyjne dla uczestników. W niedalekiej odległości można znaleźć dworzec PKP oraz PKS, ułatwiając przyjazd zarówno tym podróżującym pociągiem, jak i autobusem. Dodatkowo, lotnisko i port są również w zasięgu ręki, co czyni tę lokalizację wygodną dla osób przybywających z dalszych miejscowości, zarówno z kraju, jak i spoza jego granic.
To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, którzy chcą wyjść poza budowanie modeli ML i zoptymalizować proces tworzenia, śledzenia i wdrażania modeli ML.
Pod koniec tego szkolenia uczestnicy będą mogli
Zainstalować i skonfigurować MLflow oraz powiązane biblioteki i frameworki ML.
Docenić znaczenie możliwości śledzenia, odtwarzania i wdrażania modelu ML.
Wdrażać modele ML na różnych chmurach publicznych, platformach lub serwerach lokalnych.
Skalowanie procesu wdrażania uczenia maszynowego, aby pomieścić wielu użytkowników współpracujących nad projektem.
Skonfigurowanie centralnego rejestru w celu eksperymentowania, odtwarzania i wdrażania modeli uczenia maszynowego.
Więcej...
Ostatnia aktualizacja:
Opinie uczestników (1)
ekosystem ML nie tylko MLFlow, ale także Optuna, hyperops, docker i docker-compose
