Schița de curs
Introducere
- Modele de Învățare Automată vs software tradițional
Prezentare generală a fluxului de lucru DevOps
Prezentare generală a fluxului de lucru al Învățării Automate
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 Pipeline de Date la Pipeline ML
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
Depanarea
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
Mărturii (2)
Craig a fost extrem de implicat în instruire, mereu asigurându-se că suntem atenți, adaptând exemplele la activitățile noastre zilnice și mereu oferind un răspuns când era întrebat, chiar dacă informația nu era inclusă în prezentare.
Ecaterina Ioana Nicoale - BOOKING HOLDINGS ROMANIA SRL
Curs - DevOps Foundation®
Tradus de catre o masina
Un grad ridicat de angajament și cunoștințe al instrucționarului
Jacek - Softsystem
Curs - DevOps Engineering Foundation (DOEF)®
Tradus de catre o masina