Cursusaanbod

Introductie

  • Machine Learning Modellen versus traditionele software

Overzicht van de DevOps workflow

Overzicht van de Machine Learning workflow

ML als Code Plus-gegevens

Onderdelen van een ML-systeem

Casestudy: een verkooptoepassing Forecasting

Accessing Gegevens

Valideren van gegevens

Transformatie van gegevens

Van datapijplijn naar ML-pijplijn

Het bouwen van het datamodel

Het model trainen

Validatie van het model

Modeltraining reproduceren

Een model implementeren

Een getraind model in productie brengen

Een ML-systeem testen

Orkestratie van continue levering

Bewaking van het model

Versiebeheer van gegevens

Aanpassen, opschalen en onderhouden van een MLOps platform

Probleemoplossing

Samenvatting en conclusie

Vereisten

  • Inzicht in de cyclus van softwareontwikkeling
  • Ervaring met het bouwen van of werken met Machine Learning modellen
  • Bekendheid met Python programmeren

Audiëntie

  • ML-ingenieurs
  • DevOps Ingenieurs
  • Data-ingenieurs
  • Ingenieurs in de infrastructuur
  • Softwareontwikkelaars
 35 Uren

Aantal deelnemers


Prijs Per Deelnemer

Testimonials (4)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën