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
 35 Hodiny

Počet účastníků


Cena za účastníka

Reference (3)

Nadcházející kurzy

Související kategorie