Driftsättning av maskininlärningsmodeller i produktion – eLearning

4.950,00 SEK

  • 20 hours
eLearning

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

Hero

Kursöversikt

  1. Introduktion

    Lektion 01

    • Vad är modellutplacering?
    • Typer av modellimplementering
    • Hur väljer man typ av modellutplacering?
  2. 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
  3. 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
  4. 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
  5. SageMaker Batch Transform

    Lektion 05

    • Arkitektur för SageMaker Batch Transform
    • Skapa inferensskriptet för Batch Transform
    • Utlös ett batchtransformationsjobb
    • Analysera resultat
  6. 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
Maskininlärningsmodeller

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

Starta kursen nu

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

Contact background

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!