Schița de curs

Introducere

  • Modele de Învățare Automată vs software tradițional

Prezentare generală a Fluxului de Lucru DevOps

Prezentare generală a Fluxului de Lucru de Învățare Automată

ML ca Cod Plus Date

Componentele unui Sistem ML

Studiu de Caz: O Aplicație de Prognoză a Vânzărilor

Accesarea Datelor

Validarea Datelor

Transformarea Datelor

De la Data Pipeline la ML Pipeline

Construirea Modelului de Date

Antrenarea Modelului

Validarea Modelului

Reproducerea Antrenării Modelului

Implementarea unui Model

Servirea unui Model Antrenat în Producție

Testarea unui Sistem ML

Orchestrarea Livrării Continue

Monitorizarea Modelului

Versionarea Datelor

Adaptarea, Scalarea și Întreținerea unei Platforme MLOps

Depanare

Rezumat și Concluzii

Cerințe

  • Înțelegerea ciclului de dezvoltare a software-ului
  • Experiență în construirea sau lucrul cu modele de Învățare Automată
  • Familiaritate cu programarea în Python

Publicul țintă

  • Ingineri ML
  • Ingineri DevOps
  • Ingineri de date
  • Ingineri de infrastructură
  • Dezvoltatori de software
 35 Ore

Numărul de participanți


Pret per participant

Mărturii (3)

Cursuri viitoare

Categorii înrudite