Schulungsübersicht
Einführung
- Machine Learning Modelle vs. traditionelle Software
Überblick über den DevOps Workflow
Überblick über den Machine Learning Workflow
ML als Code plus Daten
Komponenten eines ML-Systems
Fallstudie: Eine Verkaufs Forecasting-Anwendung
Accessing Daten
Validierung von Daten
Data Transformation
Von der Daten-Pipeline zur ML-Pipeline
Aufbau des Datenmodells
Training des Modells
Validierung des Modells
Reproduzierendes Modell Training
Einsatz eines Modells
Ein trainiertes Modell für die Produktion bereitstellen
Testen eines ML-Systems
Orchestrierung der kontinuierlichen Bereitstellung
Überwachung des Modells
Versionierung von Daten
Anpassung, Skalierung und Instandhaltung einer MLOps Plattform
Fehlersuche
Zusammenfassung und Schlussfolgerung
Voraussetzungen
- Verständnis des Softwareentwicklungszyklus
- Erfahrung mit der Erstellung von oder der Arbeit mit Machine Learning Modellen
- Vertrautheit mit Python Programmierung
Publikum
- ML-Ingenieure
- DevOps Ingenieure
- Dateningenieure
- Infrastruktur-Ingenieure
- Softwareentwickler
Erfahrungsberichte (3)
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.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life™
Kurs - Kubeflow
Arbeiten mit DevOps Toolchain
Kesh - Vodacom
Kurs - DevOps Foundation®
Maschinelle Übersetzung