PickAClass · 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)

Szkolenia i zarządzanie modelami za pomocą usługi Azure Machine Learning

Zarządzanie modelami i odpowiedzialna sztuczna inteligencja w usłudze Azure Machine Learning

Nauka o danych i uczenie maszynowe w Fabric

MLOps Foundations: Operacjonalizacja modeli uczenia maszynowego

Usługa Azure Machine Learning: szkolenie i eksperymentowanie z modelami

Tworzenie rozwiązań uczenia maszynowego za pomocą usługi Azure Databricks

Wprowadzenie do MLOps: projektowanie i wdrażanie potoków uczenia maszynowego

Wdrażanie i wykorzystanie modeli w usłudze Azure Machine Learning

Optymalizacja szkolenia modeli za pomocą usługi Azure Machine Learning

Zarządzanie usługą Azure Machine Learning Workspaces: instalacja i konfiguracja

Uczenie maszynowe z usługą Azure Databricks: budowanie i wdrażanie modeli ML

Testowanie i automatyzacja potoków ML

Skryptowanie w języku Python dla automatyzacji przepływu pracy w chmurze

Automatyzacja potoków ML dla wydajności z scikit-learn

AutoML Foundations: budowanie modeli uczenia maszynowego bez kodowania

Integracja usług AWS IoT, uczenia maszynowego i łańcucha bloków

Podstawy AWS Machine Learning i MLOps

Usługi zarządzane AWS AI dla programistów aplikacji

Przepływy pracy AWS ML z SageMaker, Storage i Security Essentials

Szkolenia, optymalizacja i wdrażanie modeli AWS

Podstawy usługi Azure ML: wdrażanie modeli, zarządzanie nimi i eksperymentowanie z nimi

Projektowanie i przygotowywanie rozwiązań Azure ML

Konfigurowanie usługi Azure Machine Learning Workspaces na potrzeby przygotowania do egzaminu DP-100

Strategia uczenia maszynowego: budowanie organizacji gotnej na uczenie maszynowe