Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
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 Vertriebs Forecastinganwendung
Accessing Daten
Validierung von Daten
Datenumwandlung
Von der Daten-Pipeline zur ML-Pipeline
Aufbau des Datenmodells
Trainieren des Modells
Validierung des Modells
Reproduzieren der Modellschulung
Einsetzen eines Modells
Bereitstellung eines trainierten Modells für die Produktion
Testen eines ML-Systems
Orchestrierung der kontinuierlichen Bereitstellung
Überwachung des Modells
Versionierung der Daten
Anpassen, Skalieren und Warten einer MLOps Plattform
Fehlersuche
Zusammenfassung und Schlussfolgerung
Voraussetzungen
- Verständnis für den Softwareentwicklungszyklus
- Erfahrung mit der Erstellung von oder der Arbeit mit Machine Learning Modellen
- Vertrautheit mit Python Programmierung
Zielgruppe
- ML-Ingenieure
- DevOps Ingenieure
- Daten-Ingenieure
- Infrastruktur-Ingenieure
- Software-Entwickler
35 Stunden
Erfahrungsberichte (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurs - 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.
