MLOps Eğitimi
MLOps eğitimi, makine öğrenimi modellerinin geliştirilmesi, dağıtımı ve yönetimi süreçlerinde katılımcılara kapsamlı bilgi ve beceri kazandırmayı hedefler. Bu eğitimde, makine öğrenimi projelerinin uçtan uca yönetimi için en iyi uygulamalar, model izleme ve yönetim araçları, CI/CD (Sürekli Entegrasyon ve Sürekli Dağıtım) süreçleri ve otomasyon teknikleri ele alınır. Katılımcılar, MLOps yaklaşımını kullanarak model geliştirme ve dağıtım süreçlerini hızlandırmayı, model performansını sürekli olarak izlemeyi ve iyileştirmeyi öğrenirler.
Açık sınıfımız yoktur. Eğitim, kurum ve şirketlere yöneliktir. Ortalama grup büyüklüğü 10-12 civarındadır.
Daha fazla bilgi ve eğitim talepleri için; satis@veribilimiokulu.com e-posta adresinden veya +90 212 231 30 01 numaralı telefondan bize ulaşabilirsiniz
- Eğitim Süresi: 4 gün
- Eğitim Şekli: Online Canlı
Temel linux komutlarına hakimiyet
İnternet bağlantısı
1. Bölüm: Introduction to MLOps, ML Engineering and Common Challenges in Machine Learning
- MLOps Maturity Levels
- Roles (ML Engineer, Data Scientist, Data Engineer)
- ML engineering in the real world
- What does an ML solution look like?
- High-level ML system design
2. Bölüm: The Machine Learning Development Process
- Model development environments
- Model development tools
- Model deployment methods
- Prepare environment (VM, Docker, AWS, AWS CLI, etc.)
- Create IAM role/user
- Create an S3 bucket, read and write data with Python/Boto3
- S3 compatible object storage: MinIO
- How MLflow helps model development
3. Bölüm: Developing an API with FastAPI
- Introduction to FastAPI
- Path parameters
- Query parameters
- Response model
- SQLModel
- Data validation with Pydantic
- Database CRUD Operations with FastAPI
4. Bölüm: Packaging Up The Codes
- Developing user-defined libraries and packages
- Testing, logging, and error handling
5. Bölüm: ML Model Deployment with FastAPI
- How to store and load models
- Loading models from MLflow
- Writing prediction results in database
- Detecting model/data drifts
- How to make ML models Docker images
- Deployment on Docker and Kubernetes
- Deployment on AWS EC2 Instance
- ML Pipelines
6.Bölüm: Packaging Up The Codes
- Developing user-defined libraries and packages
- Testing, logging, and error handling
7.Bölüm: How to Scale
- Apache Spark
- Ray
8.Bölüm: How to Automate
- CI/CD, Jenkins, and Ansible
- Terraform as IaC
- Data Science on AWS
Eğitimlerle ilgili bilgi almak ve diğer tüm sorularınız için bize ulaşın!
