ML modellerini tekrarlanabilir pipeline'lara dönüştür
ML/DL iş akışlarını MLOps pipeline'larına dönüştüren ileri eğitim: MLOps yaşam döngüsü, veri alma/doğrulama ve özellik mühendisliği, eğitim ve değerlendirme, deney takibi ve model sürümleme, uygulamalı ML kuralları, ML için CI/CD, otomatik yeniden eğitim ve t…
MLOps pipeline tasarımı, uygulamalı ML kuralları, tekrarlanabilirlik ve ML için CI/CD
Bu ileri seviye eğitim, makine öğrenmesi ve derin öğrenme iş akışlarını DevOps disipliniyle tekrarlanabilir MLOps pipeline'larına dönüştürmeye odaklanır. ML sistemlerinin geleneksel yazılımdan farkları (veri bağımlılığı, model çürümesi); MLOps olgunluk seviyeleri ve uçtan uca yaşam döngüsü işlenir. Pipeline bileşenleri: veri alma ve doğrulama, özellik mühendisliği, eğitim, değerlendirme ve model paketleme; deney takibi (experiment tracking), parametre ve metrik kaydı, model ve veri sürümleme uygulanır. Uygulamalı ML kuralları (önce basit baseline, metrik-hedef hizalaması, eğitim-servis çarpıklığından kaçınma); ML için CI/CD, otomatik yeniden eğitim (retraining) tetikleri, model doğrulama kapıları ve tekrarlanabilirlik gösterilir. Katılımcılar bir ML projesi için veri alımından model dağıtımına kadar otomatik, izlenebilir ve kurallara uygun bir pipeline tasarlayabilir.
3 Gün. Her gün dört modül; katılımcılar MLOps temellerinden pipeline bileşenlerine, uygulamalı kurallardan ML CI/CD'ye ilerler.
İleri Seviye — MLOps pipeline tasarımı, veri-eğitim-değerlendirme akışı, uygulamalı ML kuralları ve ML için CI/CD pratiklerinin ele alınması.
Katılımcılar örnek bir ML projesi üzerinde veri, eğitim ve değerlendirme adımlarını pipeline bileşenlerine dönüştürerek MLOps akışını uygulamalı kurar.
Veri ve model sürümlemeyle deneyleri ve sonuçları tekrarlanabilir kılarsınız.
Kanıtlanmış ML kurallarıyla sık yapılan hatalardan baştan kaçınırsınız.
ML CI/CD ile modeli veriden üretime otomatik ve doğrulanmış biçimde taşırsınız.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
Temel makine öğrenmesi kavramları ve model eğitimi deneyimi beklenir.
Python ve yaygın ML kütüphanelerine aşinalık güçlü biçimde faydalıdır.
Git ve CI/CD kavramlarına temel aşinalık yararlıdır.
Python ve bir deney takip aracı çalıştırabilen bir bilgisayar gereklidir.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
ML sistemlerinin farklarını ve MLOps olgunluğunu kavrarsınız.
Veri, özellik, eğitim ve değerlendirme adımlarını tasarlarsınız.
Parametre ve metrikleri kaydederek deneyleri karşılaştırırsınız.
Model registry ve soy ile model yaşam döngüsünü yönetirsiniz.
Baseline ve eğitim-servis tutarlılığı gibi ML kurallarını uygularsınız.
Eğitim pipeline'ını otomatikleştirir ve doğrulama kapıları kurarsınız.
Drift tetikli otomatik yeniden eğitim akışı tasarlarsınız.
Veri/model sürümü ve konteynerle deneyleri yeniden üretirsiniz.
Bu eğitim Digital Vizyon Akademi Başarı Sertifikası ile tamamlanır.
Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.
DevOps'un sürekli ilkeleri: sürekli entegrasyon, teslim, dağıtım, test ve izleme ile geri bildirim döngüsü ve DORA metrikleri. Orta seviye DVA eğitimi.
Detayları Gör →
DevOps'un ilke ve pratikleri: üç yol, CALMS, sürüm kontrolü, CI/CD, IaC, test otomasyonu, izleme ve DORA metrikleri. Temel seviye DVA eğitimi.
Detayları Gör →
Geleneksel teslimattan DevOps'a geçiş: mevcut durum değerlendirme, darboğaz tespiti, ilk CI adımları, kültürel geçiş ve 90 günlük plan. Temel seviye DVA eğitimi
Detayları Gör →
SRE'ler için işbirliği ve iletişim: olay iletişimi, blameless postmortem, SLO müzakeresi, hizmet devralma ve güvenilirlik savunuculuğu. Orta seviye DVA eğitimi.
Detayları Gör →
DevAIOps/AIOps: gözlemlenebilirlik verisi, anomali tespiti, olay korelasyonu, ML kök neden, tahmin ve akıllı otomasyon. İleri seviye DVA eğitimi.
Detayları Gör →