Struttura del corso
Introduzione
- Machine Learning Modelli vs software tradizionale
Panoramica del flusso di lavoro DevOps
Panoramica del flusso di lavoro Machine Learning
ML come codice più dati
Componenti di un sistema ML
Caso di studio: un'applicazione di vendita Forecasting
Access Dati
Convalida dei dati
Trasformazione dei dati
Dalla pipeline di dati alla pipeline di ML
Creazione del modello di dati
Addestramento del modello
Convalida del modello
Riproduzione dell'addestramento del modello
Distribuzione di un modello
Servire un modello sottoposto a training per la produzione
Test di un sistema ML
Orchestrazione del recapito continuo
Monitoraggio del modello
Controllo delle versioni dei dati
Adattamento, scalabilità e manutenzione di una piattaforma MLOps
Risoluzione dei problemi
Riassunto e conclusione
Requisiti
- Comprensione del ciclo di sviluppo del software
- Esperienza nella creazione o nell'uso di modelli di Machine Learning
- Familiarità con la programmazione Python
Pubblico
- Ingegneri ML
- DevOps Ingegneri
- Ingegneri dei dati
- Ingegneri delle infrastrutture
- Sviluppatori di software
Recensioni (3)
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.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life™
Corso - Kubeflow
lavorare con DevOps Toolchain
Kesh - Vodacom
Corso - DevOps Foundation®
Traduzione automatica