در حال حاضر محصولی در سبد خرید شما وجود ندارد.

پنل کاربری

رمز خود را فراموش کرده اید؟ اگر اولین بار است از سایت جدید استفاده میکنید باید پسورد خود را ریست نمایید.
دسته بندی
دسته بندی

DevOps for Data Scientists

24,900 تومان
بیش از یک محصول به صورت دانلودی میخواهید؟ محصول را به سبد خرید اضافه کنید.
خرید دانلودی فوری

در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.

ویدئو معرفی این محصول

Data scientists create data models that need to run in production environments. Many DevOps practices are relevant to production-oriented data science applications, but these practices are often overlooked in data science training. In addition, data science and machine learning have distinct requirements, such as the need to revise models while in use. This course was designed for data scientists who need to support their models in production, as well as for DevOps professionals who are tasked with supporting data science and machine learning applications. Learn about key data science development practices, including the testing and validation of data science models. This course also covers how to use the Predictive Model Markup Language (PMML), monitor models in production, work with Docker containers, and more.


01 - Introduction
  • 01 - Welcome
  • 02 - Target audience

  • 02 - 1. Data Science Development Practices
  • 01 - Data science and software engineering
  • 02 - Collecting and munging data
  • 03 - Experimenting with data, features, and algorithms
  • 04 - Testing and validating models

  • 03 - 2. Data Science Models to Production
  • 01 - Version control for data science models
  • 02 - Predictive Model Markup Language
  • 03 - Deploying models with automation tools

  • 04 - 3. Deployment Practices
  • 01 - Deploying to staging environment
  • 02 - Canary deployments
  • 03 - Securing the data science models in production
  • 04 - Monitoring models in production

  • 05 - 4. Data Science Models in Containers
  • 01 - Introduction to Docker
  • 02 - Creating a Dockerfile for data science models
  • 03 - Data science Docker image repository

  • 06 - Conclusion
  • 01 - Overview of DevOps best practices for data science