课程大纲
介绍
- 机器学习模型与传统软件的比较
DevOps工作流程概述
机器学习工作流程概述
代码加数据的机器学习
ML系统的组件
案例研究:销售预测应用
访问数据
验证数据
数据转换
从数据管道到ML管道
构建数据模型
训练模型
验证模型
重现模型训练
部署模型
将训练好的模型服务到生产环境
测试ML系统
持续交付编排
监控模型
数据版本控制
适应、扩展和维护MLOps平台
故障排除
总结与结论
要求
- 对软件开发周期的理解
- 构建或使用机器学习模型的经验
- 熟悉Python编程
受众
- ML工程师
- DevOps工程师
- 数据工程师
- 基础设施工程师
- 软件开发人员
客户评论 (3)
有许多实践练习,由培训师监督和协助
Aleksandra - Fundacja PTA
课程 - Mastering Make: Advanced Workflow Automation and Optimization
机器翻译
ML生态系统不仅包括MLFlow,还有Optuna、hyperops、docker、docker-compose
Guillaume GAUTIER - OLEA MEDICAL
课程 - MLflow
机器翻译
我参加了Kubeflow的远程培训,这次培训让我巩固了关于AWS服务、K8s以及围绕Kubeflow的所有DevOps工具的知识,这些都是正确应对该主题的必要基础。我想感谢Malawski Marcin的耐心和专业精神,他在培训和最佳实践建议方面做得非常出色。Malawski从不同角度探讨了该主题,使用了不同的部署工具,如Ansible、EKS kubectl和Terraform。现在,我完全确信自己正在进入正确的应用领域。
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
课程 - Kubeflow
机器翻译