Automatizando tarefas de Machine Learning do Azure com ações do GitHub

Os fluxos de trabalho manuais de machine learning retardam a implantação e introduzem erros. A transição para MLOps automatizados garante que seus modelos sejam treinados, testados e atualizados de forma confiável toda vez que seu código for alterado. Este curso baseado em texto orienta você pelo processo de configuração de pipelines automatizados. Você lerá explicações claras, estudará configurações YAML estruturadas e aprenderá a conectar seu repositório a recursos na nuvem para acionar automaticamente as execuções de treinamento. O que você vai aprender: - Entenda os princípios básicos do MLOps e os fundamentos da automação do fluxo de trabalho - Configure conexões seguras entre seu repositório e ambientes de nuvem usando o gerenciamento moderno de credenciais - Escreva fluxos de trabalho do GitHub Actions para automatizar a execução de trabalhos do Azure Machine Learning - Gerenciar ativos de dados, ambientes e registro de modelos por meio de scripts automatizados - Monitore o status do trabalho e lide com erros dentro do pipeline de integração contínua Começando com a terminologia fundamental do MLOps e a configuração de credenciais, o curso se move passo a passo através da escrita de arquivos de fluxo de trabalho, configuração dos gatilhos e gerenciamento de saídas. Você trabalhará através de exemplos escritos e trechos de código práticos para construir um pipeline de automação funcional. Este curso foi projetado para cientistas de dados, desenvolvedores de software e aspirantes a engenheiros de DevOps que são novos para MLOps. Não é necessária experiência prévia com pipelines automatizados, embora uma compreensão básica dos conceitos de aprendizado de máquina seja útil. Comece a ler hoje mesmo para simplificar seus fluxos de trabalho de machine learning com práticas modernas de automação.