Driftsättning av maskininlärningsmodeller i produktion – eLearning
4.950,00 SEK
- 20 hours
Överbrygga klyftan mellan att bygga maskininlärningsmodeller och att driftsätta dem i verkliga produktionsmiljöer med kursen Deployment of Machine Learning Models Training. Den här praktiskt inriktade utbildningen, framtagen för blivande AI- och dataprofessionella, lär dig hur du operationaliserar maskininlärningslösningar med moderna metoder för driftsättning, API:er, moln och MLOps.
Viktiga funktioner
Språk
Kurs och material på engelska
Nivå
Nybörjar- till mellannivå
5 timmar videor på begäran
1 års tillgång till utbildningsplattformen
15 guidade praktiska övningar
16 automatiskt rättade prov
20 repetitionsquiz
2 omfattande uppgifter
20+ timmars rekommenderad studietid
Intyg om genomförd utbildning ingår
Lärandemål
I slutet av den här kursen kommer du att kunna förstå:
Bygg
Bygg maskininlärningsmodeller från grunden
AWS
Konfigurera AWS SageMaker Studio och Jupyter Notebook
Distribuera
Distribuera realtidsendpoints och hantera rensningsprocesser
Utveckla
Utveckla skript för batchinferens med Batch Transform
Felsökning
Felsök applikationsproblem med Jupyter Notebook
MLOps
Implementera MLOps-arbetsflöden på AWS med SageMaker

Kursöversikt
Introduktion
Lektion 01
- Vad är modellutplacering?
- Typer av modellimplementering
- Hur väljer man typ av modellutplacering?
AWS SageMaker
Lektion 02
- AWS SageMaker-motsvarighet på GCP och Azure
- Logga in på ditt AWS-konto
- Konfigurera AWS SageMaker Studio
- Öppna Jupyter i SageMaker Studio
Modellträning
Lektion 03
- Klona lektionsförrådet
- Hämtar datadel
- Explorativ dataanalys och feature engineering
- Träningskod för basmodell
- Testa modellen lokalt
- SageMaker-träningsjobb
- Justering av hyperparametrar
- Analysera resultat
SageMaker realtidsinferens
Lektion 04
- Arkitektur för SageMaker realtidsinferens
- Skapa inferensskriptet
- Distribuering av slutpunkt i realtid
- Anropa modellen
- Städning
- Introduktion till multimodellslutpunkt
- Distribuera multimodellslutpunkt
- Anropa Multi-modellslutpunkten
- Introduktion till serverlös arkitektur
- Distribuera som serverlös inferens
SageMaker Batch Transform
Lektion 05
- Arkitektur för SageMaker Batch Transform
- Skapa inferensskriptet för Batch Transform
- Utlös ett batchtransformationsjobb
- Analysera resultat
MLOps på SageMaker
Lektion 06
- MLOps: Maskininlärningsdrift
- Implementera MLOps i AWS-molnet med SageMaker
- Skapa ett MLOps-projekt med en SageMaker-mall
- SageMaker-projektmallkod
- Felsök applikationsfel med Jupyter Notebook
- Skicka kodändringar för att trigga CI/CD
- Testa slutpunkten
- Städning

Vem bör anmäla sig till det här programmet?
Machine Learning-ingenjörer
Data Scientists
AI-ingenjörer
Python-utvecklare
DevOps- och MLOps-specialister
Mjukvaruingenjörer som arbetar med AI-applikationer
Förutsättningar
- Grundläggande förståelse för maskininlärningskoncept
- Vana vid programmering i Python
- Grundläggande kunskaper om API:er och webbapplikationer (rekommenderas)
- Allmän förståelse för moln- eller mjukvaruimplementering är fördelaktigt
Uttalanden
Licensiering och ackreditering
Den här kursen erbjuds i enlighet med Partnerprogramavtalet och uppfyller kraven i licensavtalet
Likabehandlingspolicy
Kandidater uppmuntras att kontakta AVC för vägledning och stöd under hela processen för att ordna anpassningar.
Vanliga frågor

Behöver du företagslösningar eller LMS-integration?
Hittade du inte kursen eller programmet som skulle passa för ditt företag? Behöver du LMS-integration? Skriv till oss! Vi löser det!
