Részvételi forma

Képzés hossza

3 nap (3×8 tanóra)
naponta 9:00 - 17:00

Időpontok

Képzés ára

787 000 Ft
+ ÁFA/fő
Szeretne a témában testre szabott megoldást, csoportos képzést?
Egyedi képzési szolgáltatásainkról részletesen itt olvashat.

Ismertető

Ez a kurzus a szoftverfejlesztésben elterjedt DevOps gyakorlatra épül, és azt bővíti ki,
a Machine Learning (ML) modellek betanítására és telepítésére. A kurzus kiemeli az adatok, a modell és a kód fontosságát a sikeres ML telepítésekhez. Bemutatja az eszközökhasználatot, az automatizálást, a különböző folyamatokat és a
csapatmunkát, valamint azokat a kihívásokat, amelyek az adatmérnökök, adattudósok, szoftverfejlesztők és üzemeltetők közötti átadás-átvétellel kapcsolatosak.
A kurzus kielemzi továbbá az olyan eszközök és folyamatok használatát, melyek a nyomon követésben és a helyreigazításban játszanak fontos szerepet abban az esetben, amikor az előrejelzés a termelésben eltér a teljesítménytől.
Az oktató arra fogja ösztönözni a kurzus résztvevőit, hogy készítsenek MLOps cselekvési tervet a saját szervezetük számára, a kurzus alatt elsajátított tudás használatval, illetve a tanfolyam többi résztvevőjének segítségével.

 

Ezen a tanfolyamon megismered:

  • a Deep Learning működését,
  • a DevOps és az MLOps közötti legfontosabb különbségeket,
  • a DL munkafolyamatát,
  • a kommunikáció fontosságának az MLOps-ban,
  • az ML munkafolyamatok automatizálásának végponttól végpontig tartó lehetőségeit,
  • az Amazon SageMaker legfontosabb funkcióit az MLOps automatizálásához,
  • az ML-folyamat létrehozását, amely modelleket épít, képez, tesztel és telepít,
  • az olyan automatizált ML-folyamat létrehozását, amely a modellt a modell kódjának módosítása(i) alapján újratanítja,.
  • a telepítési folyamat elemeinek és fontos lépéseinek meghatározását,
  • a modellcsomagba illeszthető elemeket és azok használatát a tanítsban vagy a következtetésben,
  • az Amazon SageMaker lehetőségeit a telepítésre szánt modellek kiválasztására, beleértve az ML keretrendszerek és beépített algoritmusok támogatását is,
  • az ML skálázásának megkülönböztetését a más alkalmazások skálázásától,
  • hogy mikor kell különböző megközelítéseket használni a következtetéshez,
  • a különböző telepítési stratégiákat, előnyöket, kihívásokat és tipikus felhasználási eseteket,.
  • a kihívásokat a gépi tanulás szélső eszközökre történő telepítésekor,
  • a telepítés és a következtetés szempontjából fontos Amazon SageMaker funkciókat.
  • a felügyelet fontosságát
  • az adatok eltolódásának lehetséges okait az alapul szolgáló bemeneti adatokban,
  • az ML-modellek torzítás-ellenőrzésének bemutatását,
  • a modell erőforrás-fogyasztásának és késleltetésének nyomon követését,
  • hogyan lehet a modellek eredményeinek emberi felülvizsgálatát a termelésbe integrálni.

Kinek ajánljuk?

  • DevOps Engineer-ek számára
  • ML Engineer-ek számára
  • olyan fejlesztőknek, akik ML modellekkel dolgoznak

Tematika

Module 0: Welcome

  • Course introduction

Module 1: Introduction to MLOps

  • Machine learning operations
  • Goals of MLOps
  • Communication
  • From DevOps to MLOps
  • ML workflow
  • Scope
  • MLOps view of ML workflow
  • MLOps cases Module

2: MLOps Development

  • Intro to build, train, and evaluate machine learning models
  • MLOps security
  • Automating
  • Apache Airflow
  • Kubernetes integration for MLOps
  • Amazon SageMaker for MLOps
  • Lab: Bring your own algorithm to an MLOps pipeline
  • Demonstration: Amazon SageMaker
  • Intro to build, train, and evaluate machine learning models
  • Lab: Code and serve your ML model with AWS CodeBuild
  • Activity: MLOps Action Plan Workbook

Module 3: MLOps Deployment

  • Introduction to deployment operations
  • Model packaging
  • Inference
  • Lab: Deploy your model to production
  • SageMaker production variants
  • Deployment strategies
  • Deploying to the edge
  • Lab: Conduct A/B testing
  • Activity: MLOps Action Plan Workbook

Module 4: Model Monitoring and Operations

  • Lab: Troubleshoot your pipeline
  • The importance of monitoring
  • Monitoring by design
  • Lab: Monitor your ML model
  • Human-in-the-loop
  • Amazon SageMaker Model Monitor
  • Demonstration: Amazon SageMaker Pipelines, Model Monitor, model registry, and Feature Store
  • Solving the Problem(s)
  • Activity: MLOps Action Plan Workbook

Module 5: Wrap-up

  • Course review
  • Activity: MLOps Action Plan Workbook
  • Wrap-up

Szükséges előképzettség

Az alábbi képzések elvégzése szükséges a tanfolyahoz:

  • Technical Essentials on AWS
  • DevOps Engineering on AWS
  • Practical Data Science with Amazon SageMaker