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.
Struttura del corso
Introduzione a Apache Airflow per il Machine Learning
- Panoramica di Apache Airflow e la sua rilevanza per la scienza dei dati
- Funzionalità chiave per l'automazione di workflow di machine learning
- Configurazione di Airflow per progetti di data science
Creazione di pipeline di Machine Learning con Airflow
- Progettazione di DAGs per workflow di ML end-to-end
- Utilizzo degli operatori per l'ingestione, il preprocessing e l'ingegneria delle caratteristiche dei dati
- Scheduling e gestione delle dipendenze della pipeline
Addestramento e validazione del modello
- Automazione dei compiti di addestramento del modello con Airflow
- Integrazione di Airflow con framework ML (ad esempio, TensorFlow, PyTorch)
- Validazione dei modelli e archiviazione delle metriche di valutazione
Distribuzione e monitoraggio del modello
- Distribuzione di modelli di machine learning utilizzando pipeline automatizzate
- Monitoraggio dei modelli distribuiti con compiti Airflow
- Gestione del retraining e degli aggiornamenti del modello
Personalizzazione avanzata e integrazione
- Sviluppo di operatori personalizzati per compiti specifici ML
- Integrazione di Airflow con piattaforme cloud e servizi ML
- Estensione dei workflow Airflow con plugin e sensori
Ottimizzazione e scalabilità delle pipeline ML
- Miglioramento delle prestazioni del workflow per dati su larga scala
- Scalabilità delle distribuzioni Airflow con Celery e Kubernetes
- Best practice per workflow ML di livello produzione
Studi di caso e applicazioni pratiche
- Esempi reali di automazione ML utilizzando Airflow
- Esercizio pratico: creazione di una pipeline ML end-to-end
- Discussione delle sfide e soluzioni nella gestione dei workflow ML
Riepilogo e prossimi passi
Requisiti
- Familiarità con i flussi di lavoro e i concetti del machine learning
- Comprensione di base di Apache Airflow, inclusi DAGs e operatori
- Competenza in programmazione Python
Pubblico di riferimento
- Data scientists
- Ingegneri del machine learning
- Sviluppatori AI
21 ore
