Εξέλιξη Κομματιού

Εισαγωγή

  • Μοντέλα Μηχανικής Μάθησης απέναντι σε παραδοσιακό λογισμικό

Περίληψη του κύκλου εργασίας DevOps

Περίληψη του κύκλου εργασίας Μηχανικής Μάθησης

ML ως Code Plus Data

Συστατικές μερίδες ενός συστήματος ML

Περιπτώσεις: Εφαρμογή πρόβλεψης πωλήσεων

Πρόσβαση στα δεδομένα

Επιβεβαίωση των δεδομένων

Μετατροπή δεδομένων

Από Pipeline δεδομένων σε Pipeline ML

Δημιουργία του μοντέλου δεδομένων

Εκπαίδευση του μοντέλου

Επιβεβαίωση του μοντέλου

Αναπαραγωγή εκπαιδεύσεων μοντέλου

Εφαρμογή του μοντέλου

Παροχή εκπαιδευμένου μοντέλου σε παραγωγικό περιβάλλον

Δοκιμασία του συστήματος ML

Χορέγηση διαδοχικής παράδοσης (Continuous Delivery)

Παρακολούθηση του μοντέλου

Διαχείριση διαφορών δεδομένων (Data Versioning)

Προσαρμογή, μετακλίση και υποστήριξη πλατφόρμας MLOps

Διαβούλευση

Περίληψη και συμπέρασμα

Απαιτήσεις

  • Κατανόηση του κύκλου ανάπτυξης λογισμικού
  • Εμπειρία στη δημιουργία ή εργασία με μοντέλα Μηχανικής Μάθησης
  • Γνώση της γλώσσας προγραμματισμού Python

Συμμετέχοντες

  • Μηχανικοί ML
  • Μηχανικοί DevOps
  • Μηχανικοί Δεδομένων
  • Μηχανικοί Υποστρώματος
  • Προγραμματιστές λογισμικού
 35 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετοχαστή

Σχόλια (3)

Εφεξής Μαθήματα

Σχετικές Κατηγορίες