Programa do Curso
Introdução
- Machine Learning modelos vs software tradicional
Visão geral do fluxo de trabalho DevOps
Visão geral do fluxo de trabalho Machine Learning
ML como código mais dados
Componentes de um sistema ML
Estudo de caso: Uma aplicação de vendas Forecasting
Accessing Dados
Validação de dados
Transformação de dados
Do pipeline de dados ao pipeline de ML
Criação do modelo de dados
Treinar o modelo
Validação do modelo
Reprodução do modelo de formação
Implantação de um modelo
Colocação de um modelo treinado em produção
Testar um sistema de ML
Orquestração de entrega contínua
Monitorização do modelo
Controlo de versões de dados
Adaptação, dimensionamento e manutenção de uma plataforma MLOps
Resolução de problemas
Resumo e conclusão
Requisitos
- Compreensão do ciclo de desenvolvimento de software
- Experiência em construir ou trabalhar com modelos de Machine Learning
- Familiaridade com a programação Python
Público
- Engenheiros LM
- DevOps engenheiros
- Engenheiros de dados
- Engenheiros de infra-estruturas
- Desenvolvedores de software
Declaração de Clientes (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Curso - 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.