Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Struttura del corso
Introduzione a Apache Airflow per Machine Learning
- Panoramica di Apache Airflow e della sua rilevanza per la scienza dei dati
- Funzionalità principali per l'automazione dei flussi di lavoro di machine learning
- Configurazione del flusso d'aria per i progetti di data science
Costruzione Machine Learning Condutture con flusso d'aria
- Progettazione di gruppi di disponibilità del database per flussi di lavoro ML end-to-end
- Utilizzo degli operatori per l'inserimento dei dati, la pre-elaborazione e la progettazione delle funzionalità
- Pianificazione e gestione delle dipendenze della pipeline
Addestramento e convalida del modello
- Automazione delle attività di addestramento dei modelli con Airflow
- Integrazione di Airflow con framework ML (ad esempio, TensorFlow, PyTorch)
- Convalida dei modelli e archiviazione delle metriche di valutazione
Distribuzione e monitoraggio dei modelli
- Distribuzione di modelli di Machine Learning tramite pipeline automatizzate
- Monitoraggio dei modelli distribuiti con le attività Airflow
- Gestione della ripetizione del training e degli aggiornamenti del modello
Personalizzazione e integrazione avanzate
- Sviluppo di operatori personalizzati per attività specifiche di ML
- Integrazione di Airflow con piattaforme cloud e servizi di ML
- Estensione dei flussi di lavoro del flusso d'aria con plug-in e sensori
Ottimizzazione e scalabilità delle pipeline ML
- Miglioramento delle prestazioni del flusso di lavoro per dati su larga scala
- Scalabilità delle implementazioni del flusso d'aria con Celery e Kubernetes
- Best practice per flussi di lavoro ML di produzione
Casi di studio e applicazioni pratiche
- Esempi reali di automazione ML con Airflow
- Esercizio pratico: Creazione di una pipeline di ML end-to-end
- Discussione delle sfide e delle soluzioni nella gestione del flusso di lavoro ML
Riepilogo e passaggi successivi
Requisiti
- Familiarità con i flussi di lavoro e i concetti di machine learning
- Conoscenza di base di Apache Airflow, compresi i DAG e gli operatori
- Competenza nella programmazione Python
Pubblico
- Scienziati dei dati
- Ingegneri dell'apprendimento automatico
- Sviluppatori di intelligenza artificiale
21 ore
