Cloudteam
Polski
EnglishDeutschFrançaisEspañolItalianoNederlandsSvenskaالعربية
Kontakt
Szkolenia
MLOps Engineering on AWS

MLOps Engineering on AWS

Kurs ten opiera się na praktykach DevOps stosowanych w tworzeniu oprogramowania i rozszerza je o tworzenie, szkolenie i wdrażanie modeli uczenia maszynowego (ML). Kurs podkreśla znaczenie danych, modeli i kodu dla pomyślnego wdrażania ML. Pokazuje wykorzystanie narzędzi, automatyzacji, procesów i pracy zespołowej w radzeniu sobie z wyzwaniami związanymi z przekazywaniem zadań między inżynierami danych, analitykami danych, programistami i działem operacyjnym. Kurs omówi również wykorzystanie narzędzi i procesów do monitorowania i podejmowania działań, gdy prognozy modelu w produkcji zaczynają odbiegać od uzgodnionych kluczowych wskaźników wydajności. Instruktor będzie zachęcał uczestników kursu do opracowania planu działania MLOps dla ich organizacji poprzez codzienne refleksje nad treścią lekcji i ćwiczeń laboratoryjnych oraz rozmowy z kolegami i instruktorami.

Kod szkolenia
AWS-MLOPS
Czas trwania
3 dni
Poziom
Średni
Cena
6500 zł
AWS
Dla kogo?

Kurs ten jest przeznaczony dla osób pełniących jedną z poniższych funkcji, odpowiedzialnych za wdrażanie modeli uczenia maszynowego w chmurze AWS:

  • Inżynierowie DevOps
  • Inżynierowie ML
  • Programistów/operatorów odpowiedzialnych za wdrażanie modeli ML
Zdobyte umiejętności

W ramach tego kursu nauczysz się:

  • Opisywać operacje uczenia maszynowego
  • Zrozumieć kluczowe różnice między DevOps a MLOps
  • Opisywać przebieg procesu uczenia maszynowego
  • Omówić znaczenie komunikacji w MLOps
  • Wyjaśnić kompleksowe opcje automatyzacji przepływu pracy ML
  • Wymień kluczowe funkcje Amazon SageMaker do automatyzacji MLOps
  • Zbuduj zautomatyzowany proces ML, który tworzy, trenuje, testuje i wdraża modele
  • Zbuduj zautomatyzowany proces ML, który ponownie trenuje model w oparciu o zmiany w kodzie modelu
  • Zidentyfikuj elementy i ważne etapy procesu wdrażania
  • Opisz elementy, które mogą być zawarte w pakiecie modelu, oraz ich zastosowanie w szkoleniu lub wnioskowaniu
  • Rozpoznaj opcje Amazon SageMaker dotyczące wyboru modeli do wdrożenia, w tym obsługę frameworków ML i wbudowanych algorytmów lub własnych modeli
  • Rozróżnij skalowanie w uczeniu maszynowym od skalowania w innych aplikacjach
  • Określ, kiedy należy stosować różne podejścia do wnioskowania
  • Omów strategie wdrażania, korzyści, wyzwania i typowe przypadki użycia
  • Opisz wyzwania związane z wdrażaniem uczenia maszynowego na urządzeniach brzegowych.
  • Rozpoznaj ważne funkcje Amazon SageMaker, które są istotne dla wdrażania i wnioskowania
  • Opisz, dlaczego monitorowanie jest ważne
  • Wykryj odchylenia w danych wejściowych
  • Zademonstrować, jak monitorować modele ML pod kątem stronniczości
  • Wyjaśnij, jak monitorować zużycie zasobów modelu i opóźnienia
  • Omów, jak zintegrować przeglądy wyników modeli w środowisku produkcyjnym z udziałem człowieka
Wymagania wstępne
Zakres szkolenia

Moduł 0: Witamy

  • Wprowadzenie do kursu Moduł 1: Wprowadzenie do MLOps
  • Operacje uczenia maszynowego
  • Cele MLOps
  • Komunikacja
  • Od DevOps do MLOps
  • Przepływ pracy ML
  • Zakres
  • MLOps – przegląd przepływu pracy ML
  • Przykłady MLOps

Moduł 2: Rozwój MLOps

  • Wprowadzenie do tworzenia, szkolenia i oceny modeli uczenia maszynowego
  • Bezpieczeństwo MLOps
  • Automatyzacja
  • Apache Airflow
  • Integracja Kubernetes dla MLOps
  • Amazon SageMaker dla MLOps
  • Laboratorium: Wprowadź własny algorytm do potoku MLOps
  • Demonstracja: Amazon SageMaker
  • Wprowadzenie do tworzenia, szkolenia i oceny modeli uczenia maszynowego
  • Laboratorium: Kodowanie i obsługa modelu ML za pomocą AWS CodeBuild
  • Ćwiczenie: Podręcznik planu działania MLOps

Moduł 3: Wdrażanie MLOps

  • Wprowadzenie do operacji wdrażania
  • Pakowanie modeli
  • Wnioskowanie
  • Laboratorium: Wdrożenie modelu do produkcji
  • Warianty produkcyjne SageMaker
  • Strategie wdrażania
  • Wdrażanie na obrzeżach sieci
  • Laboratorium: Przeprowadź testy A/B
  • Ćwiczenie: Podręcznik planu działania MLOps

Moduł 4: Monitorowanie i obsługa modeli

  • Laboratorium: Rozwiązywanie problemów z potokiem
  • Znaczenie monitorowania
  • Monitorowanie zgodnie z projektem
  • Laboratorium: Monitorowanie modelu ML
  • Człowiek w pętli
  • Monitor modelu Amazon SageMaker
  • Demonstracja: Amazon SageMaker Pipelines, Model Monitor, rejestr modeli i Feature Store
  • Rozwiązywanie problemów
  • Ćwiczenie: Podręcznik planu działania MLOps

Moduł 5: Podsumowanie

  • Podsumowanie kursu
  • Ćwiczenie: Zeszyt ćwiczeń dotyczący planu działania MLOps
  • Podsumowanie

Zapytaj o termin i wycenę

To szkolenie realizujemy na zamówienie. Daj nam znać, a dopasujemy termin i formę (online / stacjonarnie),

Odpowiedź z propozycją terminu do 24 godzin
Bez zobowiązań – samo zapytanie niczego nie rezerwuje
Możliwość realizacji tylko dla Twojego zespołu