MLOps – Розгортання рішень ML

Name: MLOps – Розгортання рішень ML
Price: 840 EUR

Курс MLOps забезпечує всебічний вступ до процесу впровадження та керування рішеннями машинного навчання у виробничих середовищах. Він охоплює ключові кроки та найкращі практики розробки, навчання, оцінки та підтримки моделей ML з наголосом на використанні спеціальних інструментів, таких як MLflow, Apache Airflow і Kubeflow.

Кому воно адресоване?

• Фахівці з обробки даних і спеціалісти з аналізу даних, які хочуть розгортати та підтримувати моделі ML у виробничих середовищах.
• Інженери та розробники програмного забезпечення, зацікавлені у створенні та управлінні інфраструктурою для рішень машинного навчання.
• Групи досліджень і розробок штучного інтелекту та машинного навчання працюють над складними та масштабованими проектами.
• Фахівці зі штучного інтелекту, які хочуть поглибити свої знання про найкращі практики та інструменти для впровадження та керування моделями машинного навчання.
• Керівники продуктів і керівники команд, які хочуть зрозуміти процеси та проблеми, пов’язані з впровадженням рішень машинного навчання в їхніх організаціях.

Що ти навчишся?

• Концепція MLOps та її роль у сфері штучного інтелекту та машинного навчання.
• Етапи життєвого циклу розробки моделі машинного навчання, від керування даними та навчання моделі до перевірки та розгортання.
• Процес керування даними, включаючи їх збір, очищення та створення версій, а також поділ на набори для навчання, перевірки та тестування.
• Методи, які використовуються для навчання моделей, включаючи вибір відповідних алгоритмів, перехресну перевірку, оптимізацію гіперпараметрів і забезпечення відтворюваності експериментів.
• Використання платформи MLflow для відстеження експериментів, керування моделлю та інтеграції з іншими службами.
• Організація робочих процесів за допомогою Apache Airflow для автоматизації процесів навчання та оцінювання моделей машинного навчання.
• Різні способи впровадження моделей машинного навчання, включаючи використання сервісів cloud і локальні рішення, а також концепції контейнерів і мікросервісів.
• Використання платформи Kubeflow для розробки, розгортання та керування моделями машинного навчання в середовищі Kubernetes.
• Моніторинг продуктивності моделей машинного навчання, виявлення дрейфу даних і підходи до оновлення моделей.
• Важливість питань етики та безпеки при розробці та використанні моделей машинного навчання, таких як конфіденційність даних, упередженість алгоритму та підзвітність у прийнятті рішень.

Передумови:

Базові навички програмування на Python.
Фундаментальне розуміння методів машинного навчання.
Досвід роботи з бібліотеками ML на Python (scikit-learn, TensorFlow, PyTorch).
Базове розуміння систем cloud і контейнери (Docker, Kubernetes).
Знайомство з поняттями про DevOps і CI/CD.

Розклад курсу:

Матеріали курсу англійською мовою. Викладання ведеться румунською мовою.

• Вступ до MLOps: історія, застосування та важливість у ШІ та машинному навчанні.
• Життєвий цикл розробки моделі ML: від даних і навчання до перевірки та розгортання.
• Управління даними: збір, очищення та версії даних; поділ на набори для навчання, перевірки та тестування.
• Навчання моделі: вибір алгоритму, перехресна перевірка, оптимізація гіперпараметрів і відтворюваність експериментів.
• Вступ до MLflow: відстеження експериментів, керування моделями та інтеграція з іншими службами.
• Оркестрування робочих процесів за допомогою Apache Airflow: автоматизація процесів навчання та оцінювання моделі ML.
• Впровадження моделей ML: шляхи впровадження, послуги cloud і локальні рішення; контейнери та мікросервіси.
• Kubeflow: платформа для розробки, розгортання та керування моделями машинного навчання в Kubernetes.
• Моніторинг і обслуговування моделі: моніторинг продуктивності, дрейф даних і оновлення моделі.
• Питання етики та безпеки: конфіденційність даних, упередженість алгоритму та підзвітність у розробці та використанні моделей ML.

Програми сертифікації

Після цього курсу ви отримаєте сертифікат про проходження.