Cursusaanbod

Inleiding

  • Machine Learning modellen vs traditionele software

Overzicht van de DevOps workflow

Overzicht van de Machine Learning workflow

ML als Code Plus Data

Componenten van een ML-systeem

Casus: Een verkoopvoorspellingsapplicatie

Toegang tot gegevens

Validatie van gegevens

Gegevenstransformatie

Van gegevenspijplijn naar ML-pijplijn

Bouwen van het gegevensmodel

Training van het model

Validatie van het model

Reproduceren van modeltraining

Implementeren van een model

Leveren van een getraind model aan productie

Testen van een ML-systeem

Continuous Delivery Orchestration

Monitoren van het model

Gegevensversiebeheer

Aanpassen, schalen en onderhouden van een MLOps-platform

Problemen oplossen

Samenvatting en conclusie

Vereisten

  • Een begrip van de softwareontwikkelingscyclus
  • Ervaring met het bouwen of werken met Machine Learning-modellen
  • Vertrouwdheid met Python-programmeren

Publiek

  • ML-engineers
  • DevOps-engineers
  • Data-engineers
  • Infrastructure-engineers
  • Softwareontwikkelaars
 35 Uren

Aantal deelnemers


Prijs Per Deelnemer

Getuigenissen (4)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën