Návrh Školení
Úvod
- Strojové učení vs tradiční software
Přehled pracovního postupu DevOps
Přehled pracovního postupu strojového učení
ML jako kód plus data
Součásti systému ML
Případová studie: Aplikace pro prognózu prodeje
Přístup k datům
Ověření dat
Transformace dat
Od datového pipeline ke ML pipeline
Vytvoření modelu dat
Trénování modelu
Ověření modelu
Reprodukování tréninku modelu
Nasazení modelu
Poskytování natrénovaného modelu do produkce
Testování systému ML
Orchestrace spojitého doručování
Monitorování modelu
Verze dat
Přizpůsobení, škálování a údržba platformy MLOps
Řešení problémů
Shrnutí a závěr
Požadavky
- Pochopení cyklu vývoje softwaru
- Zkušenosti s budováním nebo prácí se systémy strojového učení
- Odborná znalost programování v Pythonu
Cílová skupina
- Inženýři ML (Machine Learning)
- DevOps inženýři
- Data inženýři
- Inženýři infrastruktury
- Vývojáři softwaru
Reference (3)
Bylo mnoho praktických cvičení, která vedl a podporoval instruktor.
Aleksandra - Fundacja PTA
Kurz - Mastering Make: Advanced Workflow Automation and Optimization
Přeloženo strojem
ML ekosystém neobsahuje pouze MLflow, ale také Optuna, Hyperopt, Docker a Docker Compose
Guillaume GAUTIER - OLEA MEDICAL
Kurz - MLflow
Přeloženo strojem
Rád jsem se zúčastnil školení Kubeflow, které proběhlo vzdáleně. Toto školení mi umožnilo prohloubit znalosti o službách AWS, K8s a všech devOps nástrojích kolem Kubeflow, což jsou nezbytné základy pro správný přístup k tématu. Rád bych poděkoval Marcinovi Malawskimu za jeho trpělivost a profesionální přístup při školení a poradách o osvědčených postupech. Malawski se k tématu přibližuje z různých úhlů, používá různé nástroje pro nasazení jako Ansible, EKS kubectl a Terraform. Teď jsem naprosto přesvědčen, že vstupuji do správného oboru aplikace.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Kurz - Kubeflow
Přeloženo strojem