Produksjonssetting av maskinlæringsmodeller – eLearning
4.950,00 NOK
- 20 hours
Bygg bro over gapet mellom å utvikle maskinlæringsmodeller og å ta dem i bruk i virkelige produksjonsmiljøer med dette kurset i utrulling av maskinlæringsmodeller. Utformet for kommende AI- og dataprofesjonelle gir dette praktiske programmet deg ferdighetene til å operasjonalisere maskinlæringsløsninger ved hjelp av moderne metoder for utrulling, API-er, sky og MLOps.
Nøkkelfunksjoner
Språk
Kurs og materiell på engelsk
Nivå
Nybegynner - Middels nivå
5 timer med videoer på forespørsel
1 års tilgang til læringsplattformen
15 veiledede praktiske øvelser
16 automatisk vurderte prøver
20 repetisjonsquizer
2 omfattende oppgaver
20+ timer anbefalt studietid
Sertifikat for fullført program inkludert
Læringsutbytte
Ved slutten av dette kurset vil du kunne forstå:
Bygg
Bygg maskinlæringsmodeller fra bunnen av
AWS
Konfigurer AWS SageMaker Studio og Jupyter Notebook
Distribuer
Distribuer sanntidsendepunkter og administrer oppryddingsprosesser
Utvikle
Utvikle skript for batch-inferens ved hjelp av Batch Transform
Feilsøk
Feilsøk applikasjonsproblemer ved hjelp av Jupyter Notebook
MLOps
Implementer MLOps-arbeidsflyter på AWS ved hjelp av SageMaker
Kursplan
Introduksjon
Leksjon 01
- Hva er modellutrulling?
- Typer av modellutrulling
- Hvordan velge type modellutrulling?
AWS SageMaker
Leksjon 02
- AWS SageMaker-tilsvarende på GCP og Azure
- Logg på AWS-kontoen din
- Konfigurere AWS SageMaker Studio
- Åpne Jupyter i SageMaker Studio
Modelltrening
Leksjon 03
- Kloning av leksjonslageret
- Laster ned datapakke
- Utforskende dataanalyse og feature engineering
- Kode for grunnmodelltrening
- Test modellen lokalt
- SageMaker-treningsjobb
- Justering av hyperparametere
- Analyser resultater
SageMaker sanntidsinferenz
Leksjon 04
- Arkitektur for SageMaker sanntidsinferenz
- Opprett inferanseskriptet
- Distribuering av endepunkt i sanntid
- Kall på modellen
- Opprydding
- Introduksjon til multimodell-endepunkt
- Distribuere multimodell-endepunkt
- Kall opp multimodell-endepunktet
- Introduksjon til serverløs teknologi
- Distribuere som serverløs inferens
SageMaker Batch Transform
Leksjon 05
- Arkitekturen til SageMaker Batch Transform
- Opprett inferanseskriptet for Batch Transform
- Utløs en batchtransformasjonsjobb
- Analyser resultater
MLOps på SageMaker
Leksjon 06
- MLOps: Drift av maskinlæring
- Implementer MLOps i AWS-skyen ved hjelp av SageMaker
- Opprett et MLOps-prosjekt med en SageMaker-mal
- SageMaker-prosjektmal – kode
- Feilsøk applikasjonsfeil med Jupyter Notebook
- Push kodeendringer for å trigge CI/CD
- Test endepunktet
- Opprydding
Hvem bør melde seg på dette programmet?
Maskinlæringsingeniører
Data Scientists
KI-ingeniører
Python-utviklere
DevOps- og MLOps-spesialister
Programvareingeniører som jobber med KI-applikasjoner
Forutsetninger
- Grunnleggende forståelse av maskinlæringskonsepter
- Kjennskap til programmering i Python
- Grunnleggende kunnskap om API-er og webapplikasjoner (anbefales)
- Generell forståelse av skytjenester eller konsepter for programvareutrulling er en fordel
Uttalelser
Lisensiering og akkreditering
Dette kurset tilbys i henhold til Partnerprogramavtalen og er i samsvar med kravene i Lisensavtalen
Likestillingspolicy
Kandidater oppfordres til å ta kontakt med AVC for veiledning og støtte gjennom hele tilretteleggingsprosessen.
Ofte stilte spørsmål
Trenger du bedriftsløsninger eller LMS-integrasjon?
Fant du ikke kurset eller programmet som ville være passende for din bedrift? Trenger du LMS-integrasjon? Ta kontakt med oss! Vi er agile og løser alt!