Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kursplan
Introduksjon
- Machine Learning modeller vs tradisjonell programvare
Oversikt over DevOps arbeidsflyt
Oversikt over Machine Learning arbeidsflyt
ML som Code Plus Data
Komponenter i et ML-system
Kasusstudie: En salgsapplikasjon Forecasting
Accessing Data
Validerer data
Datatransformasjon
Fra Data Pipeline til ML Pipeline
Bygge datamodellen
Trening av modellen
Validering av modellen
Reproduserende modelltrening
Utplassering av en modell
Serverer en trent modell til produksjon
Testing av et ML-system
Kontinuerlig levering orkestrering
Overvåking av modellen
Dataversjon
Tilpasning, skalering og vedlikehold av en MLOps plattform
Feilsøking
Oppsummering og konklusjon
Krav
- En forståelse av programvareutviklingssyklusen
- Erfaring med å bygge eller jobbe med Machine Learning modeller
- Kjennskap til Python programmering
Publikum
- ML ingeniører
- DevOps ingeniører
- Dataingeniører
- Infrastrukturingeniører
- Programvareutviklere
35 timer
Testimonials (3)
Det var mange praktiske øvelser under observasjon og støtte fra treneren
Aleksandra - Fundacja PTA
Kurs - Mastering Make: Advanced Workflow Automation and Optimization
Machine Translated
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurs - 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.
