Implementering af maskinlæringsmodeller i produktion - eLearning

3.500,00 DKK

  • 20 hours
eLearning

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

Hero

Kursusforløb

  1. Introduktion

    Lektion 01

    • Hvad er modelimplementering?
    • Typer af modelimplementering
    • Hvordan vælger man typen af modelimplementering?
  2. 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
  3. 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
  4. 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
  5. SageMaker Batch Transform

    Lektion 05

    • Arkitektur for SageMaker Batch Transform
    • Opret inferensscriptet til batchtransformering
    • Udløs et batchtransformationsjob
    • Analyser resultater
  6. 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
Maskinlæringsmodeller

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

Start kurset nu

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

Contact background

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!