Cursusaanbod
Inleiding
- Machine learning-modellen vergeleken met traditionele software
Overzicht van het DevOps-werkproces
Overzicht van het machine learning-werkproces
Machine Learning als Code en Data Management
Onderdelen van een ML-systeem
Casestudy: Een toepassing voor verkoopprognoses
Gegevens ophalen
Gegevens valideren
Transformatie van gegevens
Van datapijplijn naar ML-pijplijn
Het opstellen van het data-model
Training van het model
Validatie van het model
Reproduceerbaarheid van het trainingsproces
Implementatie van een model
Het in productie brengen van een getraind model
Testen van een machine learning-systeem
Orchestratie van continuë levering
Bewaking van het model
Versiebeheer van gegevens
Aanpassen, schalen en onderhouden van een MLOps-platform
Probleemoplossing
Samenvatting en conclusie
Vereisten
- Kennis van het softwareontwikkelingsproces
- Ervaring met het bouwen of werken aan machine learning-modellen
- Kennis van de programmeertaal Python
Doelgroep
- Machine learning-ingenieurs
- DevOps-engineers
- Data-engineers
- Infrastructuur-engineers
- Softwareontwikkelaars
Getuigenissen (2)
Craig was erg betrokken bij de training, zorgde altijd dat we goed opletten, paste de voorbeelden aan op onze dagelijkse activiteiten en gaf altijd antwoord als er iets gevraagd werd, zelfs als de informatie niet in de presentatie stond.
Ecaterina Ioana Nicoale - BOOKING HOLDINGS ROMANIA SRL
Cursus - DevOps Foundation®
Automatisch vertaald
Hoog niveau van betrokkenheid en kennis van de trainer
Jacek - Softsystem
Cursus - DevOps Engineering Foundation (DOEF)®
Automatisch vertaald
