Implementering af maskinlæringsmodeller i produktion - eLearning
3.500,00 DKK
- 20 hours
Byg bro mellem udvikling af maskinlæringsmodeller og deres implementering i virkelige produktionsmiljøer med dette kursus i Deployment of Machine Learning Models. Kurset er designet til kommende AI- og dataprofessionelle og er et praktisk forløb, hvor du lærer at gøre maskinlæringsløsninger driftsklare ved hjælp af moderne metoder inden for deployment, API’er, cloud og MLOps.
Nøglefunktioner
Sprog
Kursus og materiale på engelsk
Niveau
Begynder - Mellem niveau
5 timers on-demand videoer
1 års adgang til læringsplatformen
15 guidede, praktiske øvelser
16 automatisk bedømte opgaver
20 huskequizzer
2 omfattende opgaver
20+ anbefalede studietimer
Certifikat for gennemført program medfølger
Læringsudbytte
Når du har gennemført dette kursus, vil du være i stand til at forstå:
Byg
Byg maskinlæringsmodeller helt fra bunden
AWS
Opsæt AWS SageMaker Studio og Jupyter Notebook
Udrul
Implementér realtidsendpoints og håndter oprydningsprocesser
Udvikl
Udvikl scripts til batchinference ved hjælp af Batch Transform
Fejlfinding
Fejlsøg applikationsproblemer med Jupyter Notebook
MLOps
Implementér MLOps‑arbejdsgange på AWS ved hjælp af SageMaker

Kursusforløb
Introduktion
Lektion 01
- Hvad er modelimplementering?
- Typer af modelimplementering
- Hvordan vælger man typen af modelimplementering?
AWS SageMaker
Lektion 02
- AWS SageMaker-ækvivalent på GCP og Azure
- Log ind på din AWS-konto
- Opsætning af AWS SageMaker Studio
- Åbne Jupyter i SageMaker Studio
Modeltræning
Lektion 03
- Kloning af lektionsarkivet
- Downloader datadel
- Eksplorativ dataanalyse og feature engineering
- Grundmodel-træningskode
- Test model lokalt
- SageMaker-træningsjob
- Justering af hyperparametre
- Analyser resultater
SageMaker realtidsinference
Lektion 04
- Arkitektur for SageMaker realtidsinference
- Opret inferensscriptet
- Implementering af endpoint i realtid
- Kald modellen
- Oprydning
- Introduktion til multimodel-endpoint
- Implementering af multimodel-endpoint
- Kald Multi-model Endpointen
- Introduktion til serverløs arkitektur
- Implementering som serverløs inferens
SageMaker Batch Transform
Lektion 05
- Arkitektur for SageMaker Batch Transform
- Opret inferensscriptet til batchtransformering
- Udløs et batchtransformationsjob
- Analyser resultater
MLOps på SageMaker
Lektion 06
- MLOps: Drift af maskinlæring
- Implementér MLOps i AWS Cloud med SageMaker
- Opret et MLOps-projekt med en SageMaker-skabelon
- SageMaker-projektskabelonkode
- Fejlsøg applikationsfejl med Jupyter Notebook
- Push kodeændringer for at udløse CI/CD
- Test endpointet
- Rengøring

Hvem bør tilmelde sig dette program?
Machine Learning-ingeniører
Data Scientists
AI-ingeniører
Python-udviklere
DevOps- og MLOps-specialister
Softwareingeniører, der arbejder med AI-applikationer
Forudsætninger
- Grundlæggende forståelse af maskinlæringskoncepter
- Kendskab til Python-programmering
- Grundlæggende kendskab til API'er og webapplikationer (anbefales)
- Generel forståelse af cloud- eller softwareimplementeringskoncepter er en fordel
Udtalelser
Licensering og akkreditering
Dette kursus tilbydes i henhold til Partnerprogramaftalen og overholder kravene i licensaftalen
Lighedspolitik
Kandidater opfordres til at kontakte AVC for vejledning og støtte gennem hele processen med tilpasning af arbejdsforhold.
Ofte stillede spørgsmål

Har du brug for virksomhedsløsninger eller LMS-integration?
Fandt du ikke kurset eller programmet, der ville være til gavn for din virksomhed? Har du brug for LMS-integration? Skriv til os, vi løser alt!
