Cursusaanbod

Introductie

  • Machine Learning-modellen versus traditionele software

Overzicht van de DevOps-werkstroom

Overzicht van de Machine Learning-werkstroom

ML als Code Plus Data

Componenten van een ML-systeem

Casestudy: Een verkoopvoorspellingsapplicatie

Toegang tot data

Data valideren

Data transformatie

Van Data-pijplijn naar ML-pijplijn

Het data-model bouwen

Het model trainen

Het model valideren

Modeltraining reproduceren

Een model implementeren

Een getraind model in productie plaatsen

Een ML-systeem testen

Continue Delivery-orchestration

Model bewaken

Data versieën

Een MLOps-platform aanpassen, schalen en onderhouden

Probleemoplossing

Samenvatting en conclusie

Vereisten

  • Kennis van de softwareontwikkelcyclus
  • Ervaring met het bouwen of werken aan Machine Learning-modellen
  • Vertrouwdheid met Python-programmeren

Doelgroep

  • ML-ingenieurs
  • DevOps-ingenieurs
  • Data-ingenieurs
  • Infrastructuur-ingenieurs
  • Softwareontwikkelaars
 35 Uren

Aantal deelnemers


Prijs per deelnemer

Getuigenissen (4)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën