課程簡介
介紹
- 機器學習模型與傳統軟件的比較
DevOps工作流程概述
機器學習工作流程概述
代碼加數據的機器學習
ML系統的組件
案例研究:銷售預測應用
訪問數據
驗證數據
數據轉換
從數據管道到ML管道
構建數據模型
訓練模型
驗證模型
重現模型訓練
部署模型
將訓練好的模型服務到生產環境
測試ML系統
持續交付編排
監控模型
數據版本控制
適應、擴展和維護MLOps平臺
故障排除
總結與結論
最低要求
- 對軟件開發週期的理解
- 構建或使用機器學習模型的經驗
- 熟悉Python編程
受衆
- ML工程師
- DevOps工程師
- 數據工程師
- 基礎設施工程師
- 軟件開發人員
客戶評論 (3)
有許多實踐練習,由培訓師監督和協助
Aleksandra - Fundacja PTA
課程 - Mastering Make: Advanced Workflow Automation and Optimization
機器翻譯
ML生態系統不僅包括MLFlow,還有Optuna、hyperops、docker、docker-compose
Guillaume GAUTIER - OLEA MEDICAL
課程 - MLflow
機器翻譯
我參加了Kubeflow的遠程培訓,這次培訓讓我鞏固了關於AWS服務、K8s以及圍繞Kubeflow的所有DevOps工具的知識,這些都是正確應對該主題的必要基礎。我想感謝Malawski Marcin的耐心和專業精神,他在培訓和最佳實踐建議方面做得非常出色。Malawski從不同角度探討了該主題,使用了不同的部署工具,如Ansible、EKS kubectl和Terraform。現在,我完全確信自己正在進入正確的應用領域。
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
課程 - Kubeflow
機器翻譯