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
- Machine Learning modely vs tradiční software
Přehled DevOps pracovního postupu
Přehled Machine Learning pracovního postupu
ML jako Code Plus Data
Komponenty systému ML
Případová studie: Aplikace prodeje Forecasting
Accessshromažďování dat
Ověřování dat
Transformace dat
Od Data Pipeline k ML Pipeline
Vytváření datového modelu
Školení modelky
Ověřování modelu
Reprodukce modelového školení
Nasazení modelu
Dodávka vyškoleného modelu do výroby
Testování systému ML
Continuous Delivery Orchestrace
Sledování modelu
Verze dat
Přizpůsobení, škálování a údržba MLOps platformy
Odstraňování problémů
Shrnutí a závěr
Požadavky
- Pochopení cyklu vývoje softwaru
- Zkušenosti se stavbou nebo prací s Machine Learning modely
- Znalost programování Python
Publikum
- ML inženýři
- DevOps inženýři
- Datoví inženýři
- Inženýři infrastruktury
- Vývojáři softwaru
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.
