Schulungsübersicht
Einführung
- Unterschiede zwischen maschinellen Lernmodellen und herkömmlicher Software
Überblick über den DevOps-Arbeitsablauf
Überblick über den Arbeitsablauf im maschinellen Lernen
Maschinelles Lernen als Code sowie Datenverwaltung
Bestandteile eines ML-Systems
Fallstudie: Eine Anwendung zur Umsatzprognose
Datenzugriff
Datensuche und -validierung
Datenumwandlung
Von der Datenpipeline zur ML-Pipeline
Erstellung des Datenmodells
Trainieren des Modells
Validierung des Modells
Reproduzierbarkeit des Trainingprozesses
Bereitstellung eines Modells
Einbetten eines trainierten Modells in die Produktivumgebung
Testen eines ML-Systems
Orchestrierung der kontinuierlichen Auslieferung
Überwachung des Modells
Versionierung von Daten
Anpassung, Skalierung und Pflege einer MLOps-Plattform
Fehlerbehebung
Zusammenfassung und Abschluss
Voraussetzungen
- Grundverständnis des Softwareentwicklungszyklus
- Erfahrung beim Erstellen oder Arbeiten mit maschinellen Lernmodellen
- Kenntnisse der Programmiersprache Python
Zielgruppe
- ML-Ingenieure
- DevOps-Ingenieure
- Dateningenieure
- Infrastruktur-Engineers
- Softwareentwickler
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