Schulungsübersicht
Einführung
- Machine-Learning-Modelle im Vergleich zu traditioneller Software
Überblick über den DevOps-Arbeitsablauf
Überblick über den Machine-Learning-Arbeitsablauf
ML as Code Plus Data
Komponenten eines ML-Systems
Fallstudie: Eine Anwendungssoftware zur Absatzprognose
Datenzugriff
Datenvalidierung
Datentransformation
Vom Data-Pipeline zum ML-Pipeline
Aufbau des Data-Modells
Schulung des Modells
Modellvalidierung
Reproduktion der Modellschulung
Bereitstellung eines Modells
Bereitstellung eines trainierten Modells in der Produktion
Testen eines ML-Systems
Orchestrierung des Continuous Delivery
Modellüberwachung
Datenversionierung
Anpassung, Skalierung und Wartung einer MLOps-Plattform
Fehlerbehebung
Zusammenfassung und Abschluss
Voraussetzungen
- Kenntnisse über den Softwareentwicklungslebenszyklus
- Erfahrung im Aufbau oder in der Arbeit mit Machine-Learning-Modellen
- Vertrautheit mit der Python-Programmierung
Zielgruppe
- ML-Ingenieure
- DevOps-Ingenieure
- Data Engineers
- Infrastruktur-Ingenieure
- Softwareentwickler
Erfahrungsberichte (2)
Craig war extrem engagiert im Training und hat stets darauf geachtet, dass wir aufmerksam sind. Er passte die Beispiele an unsere täglichen Aktivitäten an und gab immer eine Antwort, wenn danach gefragt wurde, auch wenn die Information nicht im Präsentationsmaterial enthalten war.
Ecaterina Ioana Nicoale - BOOKING HOLDINGS ROMANIA SRL
Kurs - DevOps Foundation®
Maschinelle Übersetzung
Hoher Einsatz und Fachwissen des Trainers
Jacek - Softsystem
Kurs - DevOps Engineering Foundation (DOEF)®
Maschinelle Übersetzung