Course Outline

Introductie

  • Machine Learning Modellen versus traditionele software

Overzicht van de DevOps-workflow

Overzicht van de Machine Learning workflow

ML als Code Plus-gegevens

Onderdelen van een ML-systeem

Casestudy: een verkooptoepassing Forecasting

Accessing Gegevens

Valideren van gegevens

Data Transformatie

Van datapijplijn naar ML-pijplijn

Het datamodel bouwen

Het model trainen

Validatie van het model

Modeltraining reproduceren

Een model implementeren

Een getraind model in productie brengen

Een ML-systeem testen

Orkestratie van continue levering

Bewaking van het model

Versiebeheer van gegevens

Aanpassen, opschalen en onderhouden van een MLOps platform

Probleemoplossing

Samenvatting en conclusie

Requirements

  • Inzicht in de softwareontwikkelingscyclus
  • Ervaar het bouwen of werken met Machine Learning-modellen
  • Bekendheid met Python programmeren

Publiek

  • ML-ingenieurs
  • DevOps ingenieurs
  • Data-ingenieurs
  • Infrastructuur ingenieurs
  • Software ontwikkelaars
  35 Hours

Getuigenissen (4)

Related Courses

Related Categories