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
Recensioni (2)
Craig era estremamente coinvolto nella formazione, sempre assicurandosi che prestassimo attenzione, adattando gli esempi alle nostre attività quotidiane e fornendo sempre una risposta quando sollecitato, anche se l'informazione non era inclusa nella presentazione.
Ecaterina Ioana Nicoale - BOOKING HOLDINGS ROMANIA SRL
Corso - DevOps Foundation®
Traduzione automatica
Alto livello di impegno e conoscenza del formatore
Jacek - Softsystem
Corso - DevOps Engineering Foundation (DOEF)®
Traduzione automatica