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 (2)
Craig byl extrémně zapojen do školení, vždy se ujistil, že jsme soustředění, přizpůsobil příklady našim každodenním aktivitám a pokaždé poskytl odpověď, když jsme se zeptali, i když informace nebyly zahrnuty do prezentace.
Ecaterina Ioana Nicoale - BOOKING HOLDINGS ROMANIA SRL
Kurz - DevOps Foundation®
Přeloženo strojem
Vysoký stupeň závazku a znalostí trenéra
Jacek - Softsystem
Kurz - DevOps Engineering Foundation (DOEF)®
Přeloženo strojem