Contattataci

Struttura del corso

Introduzione

  • Differenze tra modelli di Machine Learning e software tradizionale

Panoramica del flusso di lavoro DevOps

Panoramica del flusso di lavoro legato al Machine Learning

Il concetto di “ML come codice” e la gestione dei dati

Componenti principali di un sistema ML

Studio di caso: applicazione per la previsione delle vendite

Acquisizione dei dati

Validazione dei dati

Trasformazione dei dati

Dalla pipeline dei dati alla pipeline ML

Costruzione del modello di dati

Addestramento del modello

Validazione del modello ottenuto

Riproducibilità dell’addestramento del modello

Distribuzione del modello

Utilizzo di un modello addestrato in ambiente di produzione

Test di un sistema ML

Orchestrazione della distribuzione continua

Monitoraggio del modello

Gestione versionata dei dati

Adattamento, scalabilità e manutenzione di una piattaforma MLOps

Risoluzione dei problemi comuni

Sintesi e conclusioni

Requisiti

  • Conoscenza del ciclo di sviluppo del software
  • Esperienza nella realizzazione o nell’utilizzo di modelli di machine learning
  • Familiarità con il linguaggio di programmazione Python

Destinatari del corso

  • Ingegneri specializzati in Machine Learning
  • Ingegneri DevOps
  • Ingegneri dei dati
  • Ingegneri di infrastruttura
  • Sviluppatori software
 35 ore

Numero di Partecipanti


Prezzo per partecipante

Recensioni (2)

Corsi in Arrivo

Categorie relative