Struttura del corso
Introduzione ad Apache Airflow per il Machine Learning
- Panoramica su Apache Airflow e la sua rilevanza nella data science
- Funzionalità chiave utili all’automatizzazione dei flussi di lavoro per il machine learning
- Configurazione iniziale di Airflow per progetti legati alla data science
Creazione di pipeline di Machine Learning con Airflow
- Progettazione di DAG adatti a interi flussi di lavoro di machine learning
- Utilizzo degli operatori per l’acquisizione, la pre-elaborazione e la generazione delle feature dei dati
- Pianificazione e gestione delle dipendenze tra le diverse fasi della pipeline
Addestramento e validazione dei modelli
- Automatizzazione dell’addestramento dei modelli mediante Airflow
- Integrazione di Airflow con framework per il machine learning come TensorFlow e PyTorch
- Validazione dei modelli e salvataggio delle metriche di valutazione
Deploy e monitoraggio dei modelli
- Implementazione del deploy dei modelli tramite pipeline automatizzate
- Monitoraggio continuo dei modelli in produzione grazie a compiti Airflow
- Gestione del re-addestramento e degli aggiornamenti dei modelli
Personalizzazione avanzata e integrazioni
- Sviluppo di operatori personalizzati per esigenze specifiche legate al machine learning
- Integrazione di Airflow con piattaforme cloud e servizi specializzati in ML
- Espansione dei flussi di lavoro tramite plugin e sensori dedicati
Ottimizzazione e scalabilità delle pipeline di Machine Learning
- Miglioramento delle prestazioni dei flussi di lavoro anche con volumi molto grandi di dati
- Scalare le implementazioni Airflow sfruttando Celery e Kubernetes
- Best practice per sviluppare flussi di lavoro robusti in contesto produttivo
Analisi di casi pratici ed esempi applicativi
- Esempi concreti di automazione nel machine learning basata su Airflow
- Esercizio pratico: creazione di una pipeline completa per il machine learning
- Discussione sui principali ostacoli e sulle soluzioni nel contesto della gestione dei flussi di lavoro ML
Conclusioni e prossimi passi
Requisiti
- Conoscenza di base dei flussi di lavoro e dei concetti legati al machine learning
- Comprensione elementare di Apache Airflow, inclusi i DAG e gli operatori
- Buona padronanza della programmazione in Python
Destinatari del corso
- Data scientist
- Ingegneri specializzati in machine learning
- Sviluppatori di intelligenza artificiale
Recensioni (3)
Mi è davvero piaciuta la parte finale in cui abbiamo avuto il tempo di esplorare CHAT GPT. La sala non era impostata nel modo migliore per questo - sarebbe stato utile avere alcune piccole tavole invece di una grande, così da poter formare gruppi più piccoli e fare brainstorming.
Nola - Laramie County Community College
Corso - Artificial Intelligence (AI) Overview
Traduzione automatica
Lavorare partendo dai principi fondamentali in modo concentrato, e passare all'applicazione di casi pratici nello stesso giorno
Maggie Webb - Department of Jobs, Regions, and Precincts
Corso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traduzione automatica
Stava utilizzando dati reali di una società. Il formatore aveva un approccio molto efficace, coinvolgendo i partecipanti e incentivando la competizione
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Corso - Applied AI from Scratch in Python
Traduzione automatica
