WalkSelf · AI, Technologia i Inżynieria · AI i Uczenie Maszynowe

MLOps (Operacje Uczenia Maszynowego)

Poznaj zasady i praktyki wdrażania, monitorowania i utrzymywania modeli uczenia maszynowego w środowisku produkcyjnym. Zniweluj lukę między data science a DevOps.

MLOps (Operacje Uczenia Maszynowego)

Podstawy MLOps: Wdrażanie i monitorowanie modeli uczenia maszynowego

Wdrażanie modelu uczenia maszynowego i potoki produkcyjne

Uczenie maszynowe i usługi MLOps na platformie Azure: tworzenie i wdrażanie modeli ML

Wprowadzenie do MLOps: tworzenie i wdrażanie potoków za pomocą platformy Azure

Podstawy MLOps: wdrażanie i skalowanie potoków uczenia maszynowego

Wdrażanie modelu uczenia maszynowego za pomocą FastAPI, Docker i AWS

Wdrażanie modelu uczenia maszynowego za pomocą Pythona i Docker

Hands-On Machine Learning: Budowanie i wdrażanie za pomocą Pythona i MLOps

Przygotowanie do egzaminu Azure Machine Learning i DP-100

Podstawy MLOps: zautomatyzowane potoki z Kubernetes i narzędziami chmurowymi

Uczenie maszynowe bez kodowania za pomocą usługi Azure ML Studio

Podstawy uczenia maszynowego w chmurze z platformą Azure

Wdrażanie projektu Data Science i Machine Learning z Pythonem

Kubeflow dla początkujących: budowanie i skalowanie potoków MLOps w chmurze

Praktyczne MLOps: Budowanie i wdrażanie potoków ML z MLflow i DVC

Analiza danych i modelowanie predykcyjne za pomocą usługi Azure Machine Learning

Certyfikacja inżyniera uczenia maszynowego w chmurze

Data Science i uczenie maszynowe z aplikacjami w świecie rzeczywistym

Uczenie maszynowe i TensorFlow w infrastrukturze chmury

Uczenie maszynowe Keras: budowanie, szkolenie i wdrażanie na platformie chmurowej

Skalowalne uczenie maszynowe i podstawy Big Data

Skalowanie modeli uczenia maszynowego za pomocą TensorFlow i infrastruktury chmurowej

Uczenie maszynowe Big Data z Apache Spark

Podstawy nauki o danych w języku hindi