Návrh Školení

Úvod do kontinuálního učení

  • Proč je kontinuální učení důležité
  • Výzvy při udržování jemně naladěných modelů
  • Klíčové strategie a typy učení (online, inkrementální, transfer)

Zpracování dat a streamovací potoky

  • Správa evoluujících datových souborů
  • Online učení pomocí mini-batchů a streamovacích API
  • Výzvy při označování a anotaci dat v čase

Zamezení katastrofické zapomínání

  • Elastic Weight Consolidation (EWC)
  • Metody replay a strategie opakování
  • Regularizace a paměťově augmentované sítě

Sledování modelového posunu

  • Zjišťování datového a konceptuálního posunu
  • Metry pro zdravotní stav modelu a úbytek výkonu
  • Vyvolávání automatizovaných aktualizací modelů

Automatizace v aktualizaci modelů

  • Automatizované přetrénování a strategie plánování
  • Integrace s pracovními postupy CI/CD a MLOps
  • Správa frekvence aktualizací a zpětných plánů

Kontinuální učení rámce a nástroje

  • Přehled Avalanche, Hugging Face Datasets a TorchReplay
  • Podpora platform pro kontinuální učení (např. MLflow, Kubeflow)
  • Zvážení škálovatelnosti a možností nasazení

Příklady použití v reálném světě a architektury

  • Predikce chování zákazníků s evoluujícími vzory
  • Monitorování průmyslových strojů s inkrementálními vylepšeními
  • Systémy pro detekci podvodu při měnících se hrozbách

Závěr a další kroky

Požadavky

  • Pojetí pracovních postupů strojového učení a architektur neuronových sítí
  • Zkušenosti s jemným přizpůsobením (fine-tuning) modelů a nasazovacích potoků
  • Ozbrojenost s datovou verzováním a řízením životního cyklu modelu

Cílová skupina

  • Inženýři pro údržbu AI systémů
  • Pracovníci MLOps (Machine Learning Operations)
  • Odborníci na strojové učení odpovědní za kontinuitu životního cyklu modelů
 14 hodiny

Počet účastníků


Cena za účastníka

Nadcházející kurzy

Související kategorie