Beschrijving
Industrialiseer de levenscyclus van ML-modellen met MLflow, DVC, CI/CD en monitoring.
Leerdoelen
- De MLOps-levenscyclus beschrijven en elke tool positioneren in de waardeketen.
- Een MLflow-server configureren voor experimenttracking, modelbeheer en -register.
- Gegevens en ML-pipelines versiebeheren met DVC in combinatie met Git.
- Een reproduceerbare en parametriseerbare ML-pipeline bouwen met DVC Pipelines.
- Een model in productie blootstellen via een REST API met FastAPI en Docker.
- Training, testen en implementatie automatiseren via GitHub Actions (CI/CD/CT).
- Datadrift en conceptdrift in productie detecteren met Evidently AI.
- Modelprestaties in productie monitoren met Prometheus en Grafana.
- Governance- en reproduceerbaarheidsbest practices toepassen op een echt ML-project.
Doelgroep
Data scientists, ML engineers, data engineers en Python-ontwikkelaars die hun modellen willen industrialiseren en MLOps-praktijken in een professionele omgeving willen beheersen.
Vereisten
Vaardigheid in Python (functies, klassen, virtuele omgevingen). Basisvaardigheden in Machine Learning (training, evaluatie, scikit-learn). Basisgebruik van Git en Docker.
Programmaoverzicht
Informations
Duur
3 jour(s)
21h
Tarif
Sur demande
Vergelijkbare trainingen
IA & Data
Migratie naar de Cloud
2 jour(s)
Sur demande
IA & Data
AI-agenten – Autonome systemen ontwerpen met LangChain en LangGraph – Gevorderd
3 jour(s)
Sur demande
IA & Data
Europese AI Act — Uw verplichtingen begrijpen en naleving waarborgen — Beginnersniveau
1 jour(s)
Sur demande
IA & Data
Data-analyse met Microsoft Power BI (4-167)
3 jour(s)
2200 € HT