Terima kasih telah mengirimkan pertanyaan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Terima kasih telah mengirimkan pemesanan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Kerangka Materi
Pengenalan
- Model Machine Learning vs perangkat lunak tradisional
Tinjauan Alur Kerja DevOps
Tinjauan Alur Kerja Machine Learning
ML sebagai Code Plus Data
Komponen dari Sistem ML
Studi Kasus: Aplikasi Penjualan Prognosis
Mengakses Data
Memvalidasi Data
Transformasi Data
Dari Data Pipeline ke ML Pipeline
Membangun Model Data
Melatih Model
Memvalidasi Model
Memulihkan Pelatihan Model
Mendepikan Model
Menyajikan Model yang Telah Dipelati ke Produksi
Mengenal Sistem ML
Orchestration Delivery Kontinyu
Memantau Model
Versi Data
Menyesuaikan, Mengukur, dan Memelihara Platform MLOps
Mencari Masalah
Ringkasan dan Kesimpulan
Persyaratan
- Pemahaman terhadap siklus pengembangan perangkat lunak
- Pengalaman dalam membangun atau bekerja dengan model Machine Learning
- Kemampuan dalam pemrograman Python
Penonton
- Insinyur ML
- Insinyur DevOps
- Insinyur data
- Insinyur infrastruktur
- Pengembang perangkat lunak
35 Jam
Testimoni (3)
Ada banyak latihan praktik yang dipandu dan dibantu oleh pelatih.
Aleksandra - Fundacja PTA
Kursus - Mastering Make: Advanced Workflow Automation and Optimization
Diterjemahkan Mesin
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kursus - 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.
