Programa do Curso

Introdução

  • modelos Machine Learning vs software tradicional

Visão geral do fluxo de trabalho DevOps

Visão geral do fluxo de trabalho Machine Learning

ML como código mais dados

Componentes de um sistema de ML

Estudo de caso: Uma aplicação de vendas Forecasting

Access Dados

Validação de dados

Transformação de dados

Do pipeline de dados ao pipeline de ML

Construir o modelo de dados

Treinar o modelo

Validação do modelo

Reproduzir a formação do modelo

Implementação de um modelo

Servir um modelo treinado para produção

Testar um sistema de ML

Orquestração de entrega contínua

Monitorização do modelo

Controlo de versões de dados

Adaptação, dimensionamento e manutenção de uma plataforma MLOps

Resolução de problemas

Resumo e conclusão

Requisitos

  • Compreensão do ciclo de desenvolvimento de software
  • Experiência na construção ou no trabalho com modelos Machine Learning
  • Familiaridade com Python programação

Público-alvo

  • Engenheiros de ML
  • Engenheiros DevOps
  • Engenheiros de dados
  • Engenheiros de infra-estruturas
  • Programadores de software
 35 Horas

Declaração de Clientes (3)

Próximas Formações Provisórias

Categorias Relacionadas