Schulungsübersicht
Einführung
- ML-Modelle versus traditionelle Software
Überblick über den DevOps-Arbeitsablauf
Überblick über den Arbeitsablauf des maschinellen Lernens
ML as Code Plus Data
Komponenten eines ML-Systems
Fallstudie: Eine Verkaufsprognose-Anwendung
Zugriff auf Daten
Validierung von Daten
Datentransformation
Vom Daten-Pipeline zum ML-Pipeline
Erstellung des Datenmodells
Training des Modells
Validierung des Modells
Reproduktion des Modelltrainings
Bereitstellung eines Modells
Betrieb eines trainierten Modells in der Produktion
Testen eines ML-Systems
Orchestrierung der kontinuierlichen Auslieferung
Überwachung des Modells
Datenversionierung
Anpassung, Skalierung und Wartung einer MLOps-Plattform
Fehlerbehebung
Zusammenfassung und Ausblick
Voraussetzungen
- Verständnis des Softwareentwicklungszyklus
- Erfahrung im Aufbau oder in der Arbeit mit ML-Modellen
- Kenntnisse in der Python-Programmierung
Zielgruppe
- ML-Ingenieurinnen und -Ingenieure
- DevOps-Ingenieurinnen und -Ingenieure
- Data Engineers
- Infrastruktur-Ingenieurinnen und -Ingenieure
- Softwareentwicklerinnen und -entwickler
Erfahrungsberichte (2)
Craig war extrem engagiert im Training und hat stets darauf geachtet, dass wir aufmerksam sind. Er passte die Beispiele an unsere täglichen Aktivitäten an und gab immer eine Antwort, wenn danach gefragt wurde, auch wenn die Information nicht im Präsentationsmaterial enthalten war.
Ecaterina Ioana Nicoale - BOOKING HOLDINGS ROMANIA SRL
Kurs - DevOps Foundation®
Maschinelle Übersetzung
Hoher Einsatz und Fachwissen des Trainers
Jacek - Softsystem
Kurs - DevOps Engineering Foundation (DOEF)®
Maschinelle Übersetzung