Opleiding : MLOps, Machine Learning inzetten in productie
Praktijkcursus - 3d
- 21u00 - Ref. MLW
|
Downloaden in pdf-formaat
Deze cursus delen via mail
 | Inzicht in de verschillende levensfasen van het model en de gegevens na de POC |
| De methoden kennen om de afmetingen van een model op schaal te brengen |
| Inzicht in de verschillende productieplatforms |
| Weten hoe je modelverklaarbaarheidsalgoritmen opzet |
| Basiskennis hebben van onboarding |
| Kennis van gedistribueerde training van grote modellen |
Doelgroep
Ingenieurs, ontwikkelaars, onderzoekers, datawetenschappers, data-analisten en iedereen die MLOps in de praktijk wil brengen.
Voorafgaande vereisten
Goede kennis van de taal Python. Kennis van machine learning / deep learning. Gebruik van Docker.
Opleidingsprogramma
1 Leven na de PoC (Proof of Concept)
- Wat is MLOps?
- Cycle de vie de la data.
- Een overzicht van de verschillende productieplatforms.
- De vloek van de dimensionaliteit.
- Technische keuzes voor het opstarten van de productie.
- Presentatie van inbeddingplatforms.
- Continue integratie, implementatie en onderhoud van modellen.
Praktisch werk
Een cloudomgeving opzetten voor het uitrollen van modellen. Testen van kant-en-klare API's. Beheer van authenticatiesleutels en API toegangspunten.
2 Stappen in de productie van Deep Learning-modellen
- Algoritmen voor dimensiereductie (PCA, SVD).
- Snoeien. Kwantisering.
- Benadering met lage rang. Binaire gewichtsnetwerken.
- De conversie van Winograd.
- Evaluatie van de prestaties van het model na reductie.
- Verklaarbaarheid van het model met de algoritmen LIME en SHAP.
- Presentatie van architecturen voor gedistribueerde training van grote modellen.
Begeleid praktisch werk
Implementatie van een Machine Learning-model voor wanbetalingen, met verklaarbaarheid. Implementatie van pruning op een voorgetraind Deep Learning-model voor objectdetectie.
3 Integratie van Docker en Kubernetes
- Een herinnering over Docker.
- Dit in de praktijk brengen door een model te implementeren met FastAPI en Docker.
- Inleiding tot Kubernetes.
- Maak kennis met KubeFlow.
- Presentatie van de principes van het beheer van grote volumes en Big Data-architecturen voor modelimplementatie.
- Beste praktijken voor het opstarten van de productie.
Praktisch werk
Praktische implementatie van een model met Docker.
Feedback van klanten
4,5 / 5
De feedback van klanten is afkomstig van eindevaluaties na de opleiding. De score wordt berekend op basis van alle evaluaties die minder dan 12 maanden oud zijn. Alleen die met een tekstcommentaar worden weergegeven.
JOSIAS K.
08/06/26
4 / 5
Goede inhoud
MATHIEU C.
08/06/26
4 / 5
De cursus was veel meer gericht op ML dan op operationele aspecten. En ik had onvoldoende wiskundige kennis om bepaalde aspecten van de eerste dag te begrijpen. De andere twee dagen gingen wel goed; ik heb behoorlijk wat geleerd, met name over het monitoren van modellen.
TIMOTHÉ B.
01/04/26
4 / 5
Deze opleiding biedt een gedegen overzicht van de huidige MLOps-praktijken. De belangrijkste concepten worden behandeld aan de hand van concrete voorbeelden en realistische use cases, wat het begrip vergemakkelijkt. De Docker-module is bijzonder goed opgezet; bij Kubernetes had het de moeite waard geweest om wat dieper in de praktijk in te gaan. Ook MLFlow Server had een aparte praktijkopdracht verdiend om te leren hoe je het moet gebruiken.
Publicatiedatum : 01/02/2024
DEELNEMERS
Ingenieurs, ontwikkelaars, onderzoekers, datawetenschappers, data-analisten en iedereen die MLOps in de praktijk wil brengen.
VOORAFGAANDE VEREISTEN
Goede kennis van de taal Python. Kennis van machine learning / deep learning. Gebruik van Docker.
VAARDIGHEDEN VAN DE CURSUSLEIDER
De deskundigen die de cursus leiden zijn specialisten op het betreffende vakgebied. Zij werden geselecteerd door onze pedagogische teams zowel om hun vakkennis als hun pedagogische vaardigheden voor elke cursus die zij geven. Zij hebben minstens vijf tot tien jaar ervaring in hun vakgebied en oefenen of oefenden verantwoordelijke bedrijfsfuncties uit.
BEOORDELINGSMODALITEITEN
De cursusleider beoordeelt de pedagogische vooruitgang van de deelnemer gedurende de gehele cursus aan de hand van meerkeuzevragen, praktijksituaties, praktische opdrachten, …
De deelnemer legt ook van tevoren en naderhand een test af ter bevestiging van de verworven kennis.
TOEGANGSMODALITEITEN EN TERMIJNEN
De inschrijving dient 24 uur voor aanvang van de cursus plaatsgevonden te hebben.
TOEGANKELIJKHEID VOOR MINDERVALIDEN
Is voor u speciale toegankelijkheid vereist? Neem contact op met mevr. FOSSE, contactpersoon voor mindervaliden, via het adres psh-accueil@ORSYS.fr om uw verzoek en de haalbaarheid daarvan zo goed mogelijk te bestuderen.
Ingenieurs, ontwikkelaars, onderzoekers, datawetenschappers, data-analisten en iedereen die MLOps in de praktijk wil brengen.
VOORAFGAANDE VEREISTEN
Goede kennis van de taal Python. Kennis van machine learning / deep learning. Gebruik van Docker.
VAARDIGHEDEN VAN DE CURSUSLEIDER
De deskundigen die de cursus leiden zijn specialisten op het betreffende vakgebied. Zij werden geselecteerd door onze pedagogische teams zowel om hun vakkennis als hun pedagogische vaardigheden voor elke cursus die zij geven. Zij hebben minstens vijf tot tien jaar ervaring in hun vakgebied en oefenen of oefenden verantwoordelijke bedrijfsfuncties uit.
BEOORDELINGSMODALITEITEN
De cursusleider beoordeelt de pedagogische vooruitgang van de deelnemer gedurende de gehele cursus aan de hand van meerkeuzevragen, praktijksituaties, praktische opdrachten, …
De deelnemer legt ook van tevoren en naderhand een test af ter bevestiging van de verworven kennis.
PEDAGOGISCHE EN TECHNISCHE MIDDELEN
• De gebruikte pedagogische middelen en cursusmethoden zijn voornamelijk: audiovisuele hulpmiddelen, documentatie en cursusmateriaal, praktische oefeningen en correcties van de oefeningen voor praktijkstages, casestudies of reële voorbeelden voor de seminars.
• Na afloop van de stages of seminars verstrekt ORSYS de deelnemers een evaluatievragenlijst over de cursus die vervolgens door onze pedagogische teams wordt geanalyseerd.
• Na afloop van de cursus wordt een presentielijst per halve dag verstrekt, evenals een verklaring van de afronding van de cursus indien de stagiair alle sessies heeft bijgewoond.
• De gebruikte pedagogische middelen en cursusmethoden zijn voornamelijk: audiovisuele hulpmiddelen, documentatie en cursusmateriaal, praktische oefeningen en correcties van de oefeningen voor praktijkstages, casestudies of reële voorbeelden voor de seminars.
• Na afloop van de stages of seminars verstrekt ORSYS de deelnemers een evaluatievragenlijst over de cursus die vervolgens door onze pedagogische teams wordt geanalyseerd.
• Na afloop van de cursus wordt een presentielijst per halve dag verstrekt, evenals een verklaring van de afronding van de cursus indien de stagiair alle sessies heeft bijgewoond.
TOEGANGSMODALITEITEN EN TERMIJNEN
De inschrijving dient 24 uur voor aanvang van de cursus plaatsgevonden te hebben.
TOEGANKELIJKHEID VOOR MINDERVALIDEN
Is voor u speciale toegankelijkheid vereist? Neem contact op met mevr. FOSSE, contactpersoon voor mindervaliden, via het adres psh-accueil@ORSYS.fr om uw verzoek en de haalbaarheid daarvan zo goed mogelijk te bestuderen.
Dit programma is een origineel concept, ontwikkeld door de pedagogische teams van ORSYS Formation. Elke reproductie, weergave, aanpassing of exploitatie, geheel of gedeeltelijk, zonder voorafgaande schriftelijke toestemming van ORSYS, is ten strengste verboden. ORSYS behoudt zich het recht voor om alle nodige maatregelen te nemen ter bescherming van haar intellectuele-eigendomsrechten.
Data en plaats
Selecteer uw locatie of kies voor de les op afstand en kies vervolgens uw datum.
Klas op afstand
Dernières places
Date garantie en présentiel ou à distance
Session garantie
Dit programma is een origineel concept, ontwikkeld door de pedagogische teams van ORSYS Formation. Elke reproductie, weergave, aanpassing of exploitatie, geheel of gedeeltelijk, zonder voorafgaande schriftelijke toestemming van ORSYS, is ten strengste verboden. ORSYS behoudt zich het recht voor om alle nodige maatregelen te nemen ter bescherming van haar intellectuele-eigendomsrechten.