Feast : Magasins de caractéristiques pratiques pour le ML en production

Assurer la cohérence des caractéristiques entre la formation et le service est l'un des défis les plus importants dans le déploiement de modèles d'apprentissage automatique. Un magasin de caractéristiques est le composant d'infrastructure essentiel qui résout ce problème. Ce cours fournit une compréhension approfondie et pratique de Feast, la solution open-source leader pour les magasins de caractéristiques. Vous apprendrez les concepts de base, les mécanismes internes et l'infrastructure nécessaires pour gérer le cycle de vie des caractéristiques et déployer des modèles de manière fiable, en vous concentrant sur les applications de niveau production. Ce que vous apprendrez : * Comprendre l'architecture de base et le but d'un magasin de caractéristiques, en se concentrant sur les concepts critiques de la jointure au point dans le temps et de la matérialisation des caractéristiques. * Configurer et déployer Feast en utilisant des composants d'infrastructure modernes courants comme Docker, Spark, le stockage d'objets (S3) et Redis pour le service hors ligne et en ligne. * S'entraîner à définir des vues de caractéristiques, à ingérer des données à partir de diverses sources, y compris des sources de streaming, et à assurer la cohérence des données entre les environnements. * Appliquer des contrôles de qualité des données fondamentaux et des techniques de validation dans le pipeline d'ingestion de caractéristiques pour maintenir l'intégrité du modèle et prévenir la dérive. * Maîtriser les différences entre la récupération de caractéristiques hors ligne à haut débit pour la formation de modèles et le service en ligne à faible latence pour l'inférence en temps réel. Le cours commence par la terminologie et l'architecture fondamentales avant de passer à des exercices pratiques de configuration et de déploiement utilisant des composants d'infrastructure de données modernes. Vous travaillerez sur des scénarios réels pour comprendre comment Feast gère les flux de données complexes et la synchronisation. Ce cours est conçu pour les data scientists, les ingénieurs ML et les ingénieurs de données débutants qui ont besoin de mettre en œuvre un système de gestion des caractéristiques évolutif et cohérent pour leurs projets d'apprentissage automatique. Aucune expérience préalable avec Feast n'est requise. Commencez dès aujourd'hui à construire des pipelines ML robustes et reproductibles.