Plan du cours
Introduction
- Machine Learning modèles et logiciels traditionnels
Vue d'ensemble du processus DevOps
Vue d'ensemble du flux de travail Machine Learning
ML comme Code Plus Data
Composants d'un système de ML
Étude de cas : Une application de vente Forecasting
Accessing Data
Validation des données
Data Transformation
Du pipeline de données au pipeline de ML
Construire le modèle de données
Formation du modèle
Validation du modèle
Reproduction du modèle de formation
Déployer un modèle
Servir un modèle formé à la production
Test d'un système de ML
Orchestration de la livraison continue
Suivi du modèle
Version des données
Adaptation, mise à l'échelle et maintenance d'une MLOps plateforme
Dépannage
Résumé et conclusion
Pré requis
- Une compréhension du cycle de développement des logiciels
- Expérience de la construction ou du travail avec des modèles d'apprentissage automatique
- Familiarité avec la programmation Python
Audience
- Ingénieurs ML
- DevOps ingénieurs
- Ingénieurs en données
- Ingénieurs infrastructure
- Développeurs de logiciels
Nos Clients témoignent (1)
travailler avec DevOps Toolchain
Kesh - Vodacom
Formation - DevOps Foundation®
Traduction automatique