Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
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
35 hodiny
Reference (3)
Bylo zde mnoho praktických cvičení, která prováděl a pomáhal s nimi trénér.
Aleksandra - Fundacja PTA
Kurz - Mastering Make: Advanced Workflow Automation and Optimization
Machine Translated
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurz - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
