Struttura del corso

Introduzione

  • Modelli di Machine Learning vs software tradizionale

Panoramica del workflow DevOps

Panoramica del workflow di Machine Learning

ML come Codice e Dati

Componenti di un sistema ML

Studio di caso: Un'applicazione per la previsione delle vendite

Accesso ai dati

Validazione dei dati

Trasformazione dei dati

Dalla pipeline di dati alla pipeline ML

Costruzione del modello di dati

Allenamento del modello

Validazione del modello

Riproduzione dell'allenamento del modello

Distribuzione di un modello

Distribuzione di un modello addestrato in produzione

Test di un sistema ML

Orchestrazione della consegna continua

Monitoraggio del modello

Versionamento dei dati

Adattamento, scalabilità e manutenzione di una piattaforma MLOps

Risoluzione dei problemi

Riepilogo e conclusione

Requisiti

  • Una comprensione del ciclo di sviluppo software
  • Esperienza nell'edificazione o nel lavoro con modelli di Machine Learning
  • Familiarità con la programmazione Python

Pubblico di riferimento

  • Ingegneri ML (Machine Learning)
  • Ingegneri DevOps
  • Ingegneri di dati
  • Ingegneri di infrastruttura
  • Sviluppatori software
 35 ore

Numero di Partecipanti


Prezzo per Partecipante

Recensioni (3)

Corsi in Arrivo

Categorie relative