Course Outline
소개
- Machine Learning 모델과 기존 소프트웨어 비교
DevOps 작업 흐름 개요
Machine Learning 작업 흐름 개요
코드 플러스 데이터로서의 ML
ML 시스템의 구성요소
사례 연구: 영업 Forecasting 애플리케이션
Access 데이터 중
데이터 검증
데이터 변환
데이터 파이프라인에서 ML 파이프라인으로
데이터 모델 구축
모델 훈련
모델 검증
모델 훈련 재현
모델 배포
훈련된 모델을 프로덕션에 제공
ML 시스템 테스트
지속적인 전달 오케스트레이션
모델 모니터링
데이터 버전 관리
MLOps 플랫폼 조정, 확장 및 유지 관리
문제 해결
요약 및 결론
Requirements
- 소프트웨어 개발주기에 대한 이해
- Machine Learning 모델 구축 또는 작업 경험
- Python 프로그래밍에 대한 지식
청중
- ML 엔지니어
- DevOps 엔지니어
- 데이터 엔지니어
- 인프라 엔지니어
- 소프트웨어 개발자
회원 평가 (3)
많은 실습이 트레이너의 지도와 지원 하에 진행되었습니다.
Aleksandra - Fundacja PTA
Course - Mastering Make: Advanced Workflow Automation and Optimization
Machine Translated
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Course - 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.