Schulungsübersicht

Einführung

  • Machine Learning Modelle vs. traditionelle Software

Überblick über den DevOps Workflow

Überblick über den Machine Learning Workflow

ML als Code plus Daten

Komponenten eines ML-Systems

Fallstudie: Eine Verkaufs Forecasting-Anwendung

Accessing Daten

Validierung von Daten

Data Transformation

Von der Daten-Pipeline zur ML-Pipeline

Aufbau des Datenmodells

Training des Modells

Validierung des Modells

Reproduzierendes Modell Training

Einsatz eines Modells

Ein trainiertes Modell für die Produktion bereitstellen

Testen eines ML-Systems

Orchestrierung der kontinuierlichen Bereitstellung

Überwachung des Modells

Versionierung von Daten

Anpassung, Skalierung und Instandhaltung einer MLOps Plattform

Fehlersuche

Zusammenfassung und Schlussfolgerung

Voraussetzungen

  • Verständnis des Softwareentwicklungszyklus
  • Erfahrung mit der Erstellung von oder der Arbeit mit Machine Learning Modellen
  • Vertrautheit mit Python Programmierung

Publikum

  • ML-Ingenieure
  • DevOps Ingenieure
  • Dateningenieure
  • Infrastruktur-Ingenieure
  • Softwareentwickler
 35 Stunden

Teilnehmerzahl


Preis je Teilnehmer

Erfahrungsberichte (3)

Verwandte Kategorien