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
Recensioni (3)
Ci sono stati molti esercizi pratici supervisionati e assistiti dal formatore
Aleksandra - Fundacja PTA
Corso - Mastering Make: Advanced Workflow Automation and Optimization
Traduzione automatica
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Corso - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.