MPGC - ML Pipelines on Google Cloud
Tổng quan
Thời lượng: 01 ngày
Một vài mô-đun đầu tiên thảo luận về các thành phần đường ống, điều phối đường ống với TFX, cách bạn có thể tự động hóa đường ống của mình thông qua CI/CD và cách quản lý siêu dữ liệu ML. Sau đó, chúng ta sẽ thảo luận về cách tự động hóa và tái sử dụng các đường ống ML trên nhiều khuôn khổ ML như tensorflow, pytorch, scikit learn và xgboost. Bạn cũng sẽ học cách sử dụng Cloud Composer để điều phối các đường ống đào tạo liên tục của mình và MLflow để quản lý toàn bộ vòng đời máy học.
Mục tiêu
- Làm quen với Google Cloud Platform thông qua lộ trình học Google Cloud
- Điều phối đào tạo và triển khai mô hình bằng TFX và Cloud AI Platform.
- Vận hành các mô hình máy học đã triển khai một cách hiệu quả và hiệu suất cao.
- Thực hiện đào tạo liên tục bằng nhiều khuôn khổ khác nhau (Scikit Learn, XGBoost, PyTorch) và điều phối các đường ống bằng Cloud Composer và MLFlow.
- Tích hợp quy trình công việc ML với quy trình quản lý dữ liệu ngược dòng và xuôi dòng để duy trì quản lý siêu dữ liệu và dòng dõi đầu cuối.
Nội dung
Mô-đun 1: Giới thiệu về TFX
- Phát triển hiểu biết cấp cao về các thành phần đường ống chuẩn TFX.
- Tìm hiểu cách sử dụng Bối cảnh tương tác TFX để phát triển nguyên mẫu đường ống TFX.
- Làm việc với thư viện Xác thực dữ liệu Tensorflow (TFDV) để kiểm tra và phân tích dữ liệu đầu vào.
- Sử dụng thư viện Biến đổi Tensorflow (TFT) để xử lý trước dữ liệu có thể mở rộng và chuyển đổi tính năng.
- Sử dụng thư viện KerasTuner để điều chỉnh siêu tham số mô hình.
- Sử dụng thư viện Phân tích mô hình Tensorflow (TFMA) để đánh giá mô hình.
Mô-đun 2: Phối hợp đường ống với TFX
- Sử dụng CLI TFX và Giao diện người dùng Kubeflow để xây dựng và triển khai đường ống TFX cho phiên bản Đường ống nền tảng AI được lưu trữ trên Google Cloud.
- Triển khai mô hình TensorFlow được đào tạo bằng Đào tạo nền tảng AI cho Dự đoán nền tảng AI.
- Thực hiện điều chỉnh siêu tham số phân tán nâng cao bằng CloudTuner và Cloud AI Platform Vizier.
Mô-đun 3: Các thành phần tùy chỉnh và CI/CD cho các đường ống TFX
- Phát triển quy trình làm việc CI/CD với Cloud Build để xây dựng và triển khai Đường ống TFX.
- Tích hợp trình kích hoạt Github để kích hoạt quy trình làm việc CI/CD của Cloud Build cho đường ống TFX.
Mô-đun 4: Siêu dữ liệu ML với TFX
-
Truy cập và phân tích các hiện vật đường ống trong kho Siêu dữ liệu ML.
Mô-đun 5: Đào tạo liên tục với nhiều SDK, KubeFlow & Đường ống nền tảng AI
- Thực hiện đào tạo liên tục với Scikit-learn và Đường ống nền tảng AI.
- Thực hiện đào tạo liên tục với PyTorch và Đường ống nền tảng AI.
- Thực hiện đào tạo liên tục với XGBoost và Đường ống nền tảng AI.
- Thực hiện đào tạo liên tục với TensorFlow và Đường ống nền tảng AI.
Mô-đun 6: Đào tạo liên tục với Cloud Composer
- Thực hiện đào tạo liên tục với Cloud Composer.
Mô-đun 7: Đường ống ML với MLflow
- Quản lý vòng đời Học máy với MLflow.
Mô-đun 8: Tóm tắt
- Tóm tắt khóa học
Đối tượng học viên
- Data Scientist muốn tạo ra tác động kinh doanh bằng cách nhanh chóng chuyển đổi từ nguyên mẫu Học máy sang sản xuất.
- Software Engineers muốn phát triển các kỹ năng Kỹ thuật Học máy.
- ML Engineer muốn áp dụng Google Cloud.
Điều kiện tiên quyết
Để tận dụng tối đa khóa học này, người tham gia nên có:
- Chứng chỉ hoàn thành khóa Machine Learning với Google Cloud hoặc có kinh nghiệm tương đương.
- Chứng chỉ hoàn thành khóa học MLOps Fundamentals
Chứng nhận
Khóa học này không đi kèm đến bất kỳ chứng nhận nào.
Hãy liên hệ qua Fanpage Trainocate Vietnam để nhận thêm thông tin thi chứng chỉ Google Cloud.
Tìm hiểu thêm về các khóa học Google Cloud tại Trainocate Vietnam nhé!
Lịch khai giảng
Tên khóa học
Thời gian
Lịch dự kiến
Địa điểm
Học phí
ĐĂNG KÝ
Form đăng ký
Các khóa đào tạo Khóa học Google Cloud khác
Đăng ký tư vấn
cùng đội ngũ chuyên gia Trainocate!!
Bản quyền thuộc về Trainocate Việt Nam