Plan du cours

Introduction

  • Modèles Machine Learning et logiciels traditionnels

Vue d'ensemble du DevOps flux de travail

Aperçu du flux de travail Machine Learning

Le ML en tant que code et données

Composants d'un système de ML

Étude de cas : Une application de vente Forecasting

[Données

Validation des données

Transformation des données

Du pipeline de données au pipeline de ML

Construction du modèle de données

Entraînement du modèle

Validation du modèle

Reproduction de la formation au modèle

Déploiement d'un modèle

Servir un modèle entraîné à la production

Tester un système de ML

Orchestration de la livraison continue

Surveillance du modèle

Versionnement des données

Adaptation, mise à l'échelle et maintenance d'une MLOps plateforme

Résolution des problèmes

Résumé et conclusion

Pré requis

  • Compréhension du cycle de développement des logiciels
  • Expérience de la construction ou de l'utilisation de modèles Machine Learning
  • Familiarité avec la programmation Python.

Audience

  • Ingénieurs ML
  • Ingénieurs DevOps
  • Ingénieurs de données
  • Ingénieurs d'infrastructure
  • Développeurs de logiciels
 35 Heures

Nombre de participants


Prix ​​par Participant

Nos clients témoignent (4)

Cours à venir

Catégories Similaires