Course Outline

Pengantar Apache Airflow untuk Machine Learning

  • Tinjauan umum Apache Airflow dan relevansinya dengan ilmu data
  • Fitur utama untuk mengotomatiskan alur kerja pembelajaran mesin
  • Menyiapkan Airflow untuk proyek ilmu data

Bangunan Machine Learning Pipa dengan Aliran Udara

  • Merancang DAG untuk alur kerja ML menyeluruh
  • Menggunakan operator untuk penyerapan data, praproses, dan rekayasa fitur
  • Penjadwalan dan pengelolaan dependensi pipa

Pelatihan dan Validasi Model

  • Mengotomatiskan tugas pelatihan model dengan Airflow
  • Mengintegrasikan Airflow dengan kerangka kerja ML (misalnya, TensorFlow, PyTorch)
  • Memvalidasi model dan menyimpan metrik evaluasi

Penerapan dan Pemantauan Model

  • Menerapkan model pembelajaran mesin menggunakan jalur otomatis
  • Memantau model yang diterapkan dengan tugas Airflow
  • Menangani pelatihan ulang dan pembaruan model

Kustomisasi dan Integrasi Lanjutan

  • Mengembangkan operator khusus untuk tugas-tugas spesifik ML
  • Mengintegrasikan Airflow dengan platform cloud dan layanan ML
  • Memperluas alur kerja Airflow dengan plugin dan sensor

Mengoptimalkan dan Menskalakan Pipeline ML

  • Meningkatkan kinerja alur kerja untuk data skala besar
  • Meningkatkan penerapan Airflow dengan Celery dan Kubernetes
  • Praktik terbaik untuk alur kerja ML tingkat produksi

Studi Kasus dan Aplikasi Praktis

  • Contoh nyata otomatisasi ML menggunakan Airflow
  • Latihan langsung: Membangun alur kerja ML menyeluruh
  • Diskusi tantangan dan solusi dalam manajemen alur kerja ML

Ringkasan dan Langkah Berikutnya

Requirements

  • Keakraban dengan alur kerja dan konsep pembelajaran mesin
  • Pemahaman dasar tentang Apache Airflow, termasuk DAG dan operator
  • Kemampuan dalam Python pemrograman

Hadirin

  • Ilmuwan data
  • Insinyur pembelajaran mesin
  • pengembang AI
 21 Hours

Number of participants


Price per participant

Upcoming Courses (Minimal 5 peserta)

Related Categories