Návrh Školení
Úvod
- Modelování pomocí strojového učení vs. tradiční software
Přehled pracovních postupů DevOps
Přehled postupů při vývoji modelů strojového učení
Modelování jako kód a správa dat
Komponenty systému strojového učení
Studie případu: Aplikace pro prognózování prodeje
Získávání dat
Ověřování dat
Transformace dat
Od datové pipeline k ML pipeline
Vytváření datového modelu
Trénování modelu
Ověřování správnosti modelu
Opakovatelnost trénování modelu
Nasazení modelu
Uvedení vytrénovaného modelu do produkce
Testování systému strojového učení
Orchestrace kontinuálního nasazování
Monitorování modelu
Verzování dat
Adaptace, škálování a údržba platformy MLOps
Řešení běžných problémů
Shrnutí a závěr
Požadavky
- Základní znalost cyklu vývoje softwaru
- Praktické zkušenosti s tvorbou či používáním modelů strojového učení
- Znalost programování v jazyce Python
Určené skupiny
- Inženýři z oblasti strojového učení
- DevOps inženýři
- Data inženýři
- Inženýři infrastruktury
- Softwaroví vývojáři
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