Informazioni amministrative
| Titolo | Architettura dei dati |
| Durata | 60 |
| Modulo | B |
| Tipo di lezione | Sessione interattiva |
| Focus | Pratiche — AI organizzativa |
| Argomento | Architettura dei dati |
Parole chiave
Architettura dei dati, pipeline di apprendimento delle macchine, MLOps,
Obiettivi di apprendimento
- Conoscere le architetture di dati di base nel Machine Learning
- Porre domande sulle architetture di dati più adatte
Preparazione prevista
Eventi di apprendimento da completare prima
Obbligatorio per gli studenti
- Processo di analisi dei dati
- Modelli di apprendimento automatico
- DevOps
- CI/CD
Facoltativo per gli studenti
Nessuno.
Referenze e background per gli studenti
- DevOps
- CI/CD
Consigliato per gli insegnanti
Materiale didattico
Istruzioni per gli insegnanti
Utilizzare il seguente schema:
- Introduzione alla discussione
- Quali sono le architetture più diffuse per ML Systems?
- Cos'è una tipica pipeline ML?
- Cos'è il MLOps?
- Come è possibile automatizzare e orchestrare una pipeline ML?
- Come è possibile configurare un sistema CI/CD di Continuous Integration/Continuous Delivery per la pipeline ML utilizzando il Cloud?
- Domande e ulteriori discussioni su argomenti suggeriti dagli studenti
- Discussione
- Quali sono le caratteristiche dell'architettura Tensor Flow eXTended (TFX)?
- Come può Cloud supportare il modello TFX?
- Come è possibile automatizzare e orchestrare la pipeline TFX?
- Come è possibile configurare un sistema CI/CD di Continuous Integration/Continuous Delivery per la pipeline TFX?
- Domande e ulteriori discussioni su argomenti suggeriti dagli studenti
- Conclusioni
- Riassumendo e discutendo i risultati delle lezioni:
- Caratteristiche principali di un'architettura di sistema ML e delle pipeline ML
- MLOps
- Automatizzare e orchestrare una pipeline ML con riferimento al modello TFX
- Osservazioni conclusive
- Riassumendo e discutendo i risultati delle lezioni:
Calendario
| Durata (min) | Descrizione | Concetti |
|---|---|---|
| 20 | Introduzione alla discussione | Architettura di sistema ml, ML Pipeline |
| 30 | Discussione | Ml negli esempi di produzione |
| 10 | Sintesi e osservazioni conclusive |
Riconoscimenti
Il programma Human-Centered AI Masters è stato co-finanziato dal meccanismo per collegare l'Europa dell'Unione europea nell'ambito della sovvenzione CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.