Agile, Docker i MLOpsZarządzanie

MLOps – Machine Learning Operations

Strona główna / Szkolenia / Agile, Docker i MLOps / Zarządzanie / MLOps – Machine Learning Operations

Terminarz szkoleń

Nie pasuje Ci żaden termin? Napisz do nas!
Zapisz więcej osób

Taniej w grupie

  • 3 osoby - 10% zniżki
  • 4 osoby - 15% zniżki
  • 5 osób - 20% zniżki
  • 6 osób - 25% zniżki
  • 7 osób - 30% zniżki

    • O szkoleniu

    Szkolenie MLOps – Machine Learning Operations dostarcza informacji o kluczowych komponentach MLOps oraz przybliża cykl życia projektów ML od początku do końca. Uczestnicy szkolenia zapoznają się z najlepszymi praktykami wdrażania i utrzymania modeli uczenia maszynowego. Nauka zasad organizacji pracy nad projektami tego typu pozwoli na łatwe tworzenie zautomatyzowanych, niezawodnych i wydajnych systemów uczenia maszynowego. Kurs przygotuje Cię na stworzenie zespołu z kompetencjami do budowania i wspierania systemu MLOps oraz efektywnego zarządzania nim. 

    Dla kogo jest to szkolenie?

    Szkolenie skierowane jest przede wszystkim dla członków zespołów odpowiedzialnych za tworzenie rozwiązań z obszaru Data Engineering, Data Science oraz osób zarządzających projektami uczenia maszynowego.

    Czego się nauczę?

    Po ukończeniu szkolenia uczestnik:

    • Rozumie istotę MLOps w świecie Data Science
    • Zapozna się z Dockerem i potrzebą konteneryzacji
    • Potrafi wykorzystać Tensorflow Extended (TFX) oraz jego komponenty
    • Pozyskuje dane i waliduje ich przepływy wykorzystując TFX
    • Potrafi śledzić i wersjonować modele z użyciem MLflow
    • Buduje zautomatyzowane i ustrukturyzowane przepływy danych z wykorzystaniem Kubeflow, Apache Airflow

    Plan szkolenia

    • Rozwój infrastruktury i oprogramowania
    • Potrzeby rozwoju MLOps
    • MLOps – komponenty
    • Projektowanie oprogramowania bazującego na ML
    • Wyzwania i trudności związane z wdrażaniem i utrzymaniem modeli Machine Learning
    • Zasady MLOps
    • ML Workflow – cykl życia (end-to-end)
    • MLOps narzędzia i frameworki
    • CI/CD dla Machine Learningu
    • Data Engineering Pipelines
    • ML Pipelines i ML workflows
    • Model Serving Patterns w ujęciu rozwoju produktu
    • Kubernetes primer
    • Kubeflow i Kubeflow Pipelines
    • Tensorflow Extended
    • Pozyskiwanie i walidacja danych oraz Inżynieria cech
    • Model Training, Model Tuning
    • Aspekty analityczne oraz ewaluacja modelu
    • Wdrożenie modelu
    • Śledzenie i wersjonowanie modelu z MLflow
    • Definiowanie i strukturyzacja przepływu danych z Airflow
    • Nowe wyzwania
    • Zarządzanie modelem jako kluczowy element sukcesu
    • Integracja zarządzania modelem i MLOps
    • Odtwarzalność i walidacja
    • Monitorowanie i ostrzeganie
    • Bezpieczeństwo
    • Weryfikacja i audyt