Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
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