Plan du cours
Introduction
- Modèles d'apprentissage automatique vs logiciels traditionnels
Aperçu du flux de travail DevOps
Aperçu du flux de travail d'apprentissage automatique
Le ML en tant que Code plus Données
Composants d'un système ML
Étude de cas : Une application de prévision des ventes
Accès aux données
Validation des données
Transformation des données
Du pipeline de données au pipeline ML
Construction du modèle de données
Entraînement du modèle
Validation du modèle
Reproduction de l'entraînement du modèle
Déploiement d'un modèle
Mise en production d'un modèle entraîné (Serving)
Tests d'un système ML
Orchestration de la livraison continue
Surveillance du modèle
Versionnement des données
Adaptation, mise à l'échelle et maintenance d'une plateforme MLOps
Résolution des problèmes (Troubleshooting)
Résumé et conclusion
Pré requis
- Une compréhension du cycle de développement logiciel
- De l'expérience dans la construction ou le travail avec des modèles d'apprentissage automatique
- Familiarité avec la programmation en Python
Audience cible
- Ingénieurs en apprentissage automatique (ML engineers)
- Ingénieurs DevOps
- Ingénieurs des données
- Ingénieurs en infrastructure
- Développeurs logiciels
Nos clients témoignent (2)
Craig était très impliqué dans la formation, toujours en s'assurant que nous prêtions attention, en adaptant les exemples à nos activités quotidiennes et en fournissant une réponse chaque fois qu'on lui posait une question, même si l'information n'était pas incluse dans la présentation.
Ecaterina Ioana Nicoale - BOOKING HOLDINGS ROMANIA SRL
Formation - DevOps Foundation®
Traduction automatique
Niveau élevé d’engagement et de connaissances du formateur
Jacek - Softsystem
Formation - DevOps Engineering Foundation (DOEF)®
Traduction automatique