 |
 |
 | (495) 925-0049, ITShop интернет-магазин 229-0436, Учебный Центр 925-0049 |
 |
 |
 |
|||||||
|
Вход
Регистрация |
|||||||||
| |||||||||||||||||||||||||||||||||
|
|
|
|
||||||||||||||||||||||||||||||
| |||||||||||||||||||||||||||||||||
|
Курс "Разработка конвейеров, автоматизация и развертывание моделей машинного обучения. Часть 1"
Код: EDU-Python-26
Продолжительность - 5 дней
За последнее время разработаны новые инструменты автоматизации, которые решают задачи конвейеров машинного обучения, такие как TensorFlow Extended (TFX) и Kubeflow. Все больше и больше организаций начинают использовать эти инструменты для создания конвейеров машинного обучения, которые автоматизируют большую часть этапов построения и обучения моделей машинного обучения. Преимущества автоматизации: экономия времени и денег; возможность создавать более качественные, надежные и безопасные модели. На курсе "Разработка конвейеров, автоматизация и развертывание моделей машинного обучения. Часть 1" слушатели научатся автоматизировать развертывание, управление и повторное использование моделей машинного обучения. Отработают основные навыки в этой сфере. Прослушав данный курс, Вы узнаете:
Научитесь:
Аудитория: Специалисты в области машинного обучения и искусственного интеллекта, у которых возникла необходимость выйти за рамки работы с единичной моделью. Также менеджеры проектов в области науки о данных, разработчики программного обеспечения и инженеры DevOps, которые хотят, чтобы их организация ускорила свои проекты, использующие технологии машинного обучения и искусственного интеллекта. Предварительная подготовка: необходимо знание основных концепций машинного обучения и базовых фреймворков, используемых в машинном обучении, таких как TensorFlow, Keras, PyTorch. Курсы, рекомендуемые для предварительного прохождения:
Курсы, рекомендуемые для последующего прохождения:
Программа курса1 Основы, конвейеры машинного обучения 1.1 Использование конвейеров машинного обучения 1.2 Необходимость применения конвейеров машинного обучения 1.3 Обзор этапов создания конвейера машинного обучения 1.4 Оркестровка конвейера 1.5 Пример проекта машинного обучения 2 TensorFlow Extended 2.1 Что такое TFX 2.2 Установка TFX 2.3 Обзор компонентов TFX 2.4 Метаданные ML Metadata? 2.5 Альтернативы TFX 2.6 Знакомство с Apache Beam 3 Загрузка данных 3.1 Концепции загрузки данных 3.2 Подготовка данных 3.3 Стратегии загрузки данных 4 Проверка данных 4.1 Для чего нужна проверка данных? 4.2 TFDV 4.3 Распознавание ошибок в данных 4.4 Обработка больших наборов данных с помощью Google Cloud Platform 4.5 Интеграция TFDV в конвейер машинного обучения 5 Предварительная обработка данных 5.1 Необходимость предварительной обработки данных 5.2 Предварительная обработка данных с помощью TFT 6 Обучение модели 6.1 Пример определения модели проекта 6.2 Компонент TFX Trainer 6.3 Использование TensorBoard в интерактивном конвейере 6.4 Стратегии распределения 6.5 Настройка модели 7 Анализ и проверка модели 7.1 Как проанализировать модель 7.2 Анализ модели TensorFlow 7.3 Анализ достоверности модели 7.4 Объяснение модели 7.5 Анализ и проверка модели в TFX 8 Развертывание модели с помощью TensorFlow Serving 8.1 Простой сервер моделей 8.2 Особенности развертывания моделей с помощью API на основе Python 8.3 TensorFlow Serving 8.4 Обзор архитектуры TensorFlow 8.5 Экспорт моделей для TensorFlow Serving 8.6 Сигнатуры моделей 8.7 Проверка экспортированных моделей 8.8 Установка TensorFlow Serving 8.9 Настройка сервера TensorFlow 8.10 REST или gRPC 8.11 Выполнение прогнозов на сервере моделей 8.12 A/B-тестирование модели с использованием TensorFlow Serving 8.13 Запрос метаданных модели с сервера моделей 8.14 Пакетные запросы на вывод прогнозов модели 8.15 Другие функции оптимизации TensorFlow Serving 8.16 Альтернативы TensorFlow Serving 8.16.1 BentoML 8.16.2 Seldon 8.16.3 GraphPipe 8.16.4 Simple TensorFlow Serving 8.16.5 MLflow 8.16.6 Ray Serve 8.17 Развертывание моделей с использованием услуг поставщиков облачных решений 8.18 Развертывание модели с помощью конвейеров TFX 9 Расширенные концепции развертывания моделей с помощью TensorFlow Serving 9.1 Зоны ответственности в процессе развертывания 9.2 Оптимизация загрузки удаленной модели 9.3 Оптимизация модели для развертываний 9.4 Использование TensorRT совместно с TensorFlow Serving 9.5 TFLite 9.6 Мониторинг экземпляров TensorFlow Serving 9.7 Простое масштабирование с помощью TensorFlow Serving и KubernetesВ конце обучения на курсе проводится итоговая аттестация в виде теста или на основании оценок за практические работы, выполненных в процессе обучения.
Свободно распространяемое программное обеспечение популярно как среди частных лиц, так и среди организаций. Действительно, СПО позволяет серьезно экономить на приобретении лицензий для компаний, которые многократно тиражируют программное решение. Также благодаря тому, что СПО можно квалифицированно дорабатывать собственными силами под конкретные нужды организации, оно приобретает еще и дополнительную гибкость и удобство в использовании. Открытое программное обеспечение — это программное обеспечение с открытым исходным кодом. Исходный код создаваемых программ открыт, то есть доступен для просмотра и изменения. Это позволяет использовать уже созданный код для создания новых версий программ, для исправления ошибок и, возможно, помочь в доработке открытой программы. В конце обучения на курсах проводится итоговая аттестация в виде теста или на основании оценок за практические работы, выполненные в процессе обучения. Учебный центр "Интерфейс" оказывает консалтинговые услуги по построению моделей бизнес-процессов, проектированию информационных систем, разработке структуры баз данных и т.д.
|
|
||||||||||||||||||||||||||
