Návrh Školení
Úvod
- Modely strojového učení vs. tradiční software
Přehled pracovního postupu DevOps
Přehled pracovního postupu strojového učení
ML jako kód plus data
Komponenty systému ML
Případová studie: Aplikace pro předpověď prodeje
Získávání dat
Ověřování dat
Transformace dat
Od datového kanálu k ML kanálu
Vytváření datového modelu
Trénování modelu
Ověřování modelu
Reprodukování tréninku modelu
Nasazování modelu
Poskytování natrénovaného modelu do produkce
Testování systému ML
Orchestrace kontinuálního doručování
Monitorování modelu
Verzování dat
Adaptace, škálování a udržování platformy MLOps
Řešení problémů
Shrnutí a závěr
Požadavky
- Pochopení softwarového vývojového cyklu
- Zkušenosti s budováním nebo prácí se s modelem strojového učení
- Odběhlost v programování Pythonem
Cílová skupina
- Inženýři ML (Machine Learning)
- DevOps inženýři
- Data inženýři
- Infrastruktérní inženýři
- Softwaroví vývojáři
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