Schița de curs
Introducere
- Modele Machine Learning vs software tradițional
Prezentare generală a fluxului de lucru DevOps
Prezentare generală a fluxului de lucru Machine Learning
ML ca cod plus date
Componente ale unui sistem ML
Studiu de caz: O aplicație Forecasting de vânzări
Access Introducerea datelor
Validarea datelor
Transformarea datelor
De la conducta de date la conducta ML
Construirea modelului de date
Formarea modelului
Validarea modelului
Reproducerea formării modelului
Implementarea unui model
Transmiterea în producție a unui model instruit
Testarea unui sistem ML
Orchestrarea livrării continue
Monitorizarea modelului
Versiunea datelor
Adaptarea, scalarea și întreținerea unei platforme MLOps
Rezolvarea problemelor
Rezumat și concluzie
Cerințe
- O înțelegere a ciclului de dezvoltare software
- Experiență în construirea sau lucrul cu modele Machine Learning
- Familiaritate cu Python programarea
Audiență
- ingineri ML
- DevOps ingineri
- Ingineri de date
- Ingineri de infrastructură
- Dezvoltatori de software
Mărturii (3)
Au existat multe exerciții practice supravegheat și asistate de formator
Aleksandra - Fundacja PTA
Curs - Mastering Make: Advanced Workflow Automation and Optimization
Tradus de catre o masina
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Curs - 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.