Data Engineering Fundamentals for MLOps

Mô hình học máy chỉ tốt như dữ liệu cung cấp cho chúng, nhưng chuyển đổi dữ kiện thô thành các đường ống sẵn sàng sản xuất vẫn là một thách thức lớn. Chương trình này giúp bạn nối liền khoảng cách giữa kỹ thuật dữ liệu và các hoạt động học máy.\n\nBạn sẽ có một nền tảng vững chắc trong cách dữ kiện được thu thập, lưu trữ, chuyển đổi và giám sát cụ thể cho các luồng công việc học máy. Bằng cách đọc qua các ví dụ thực tế và các giải thích có cấu trúc, bạn sẽ hiểu cách thiết kế các đường ống dữ liệu bền vững đảm bảo các mô hình của bạn luôn có quyền truy cập vào dữ kiện chất lượng cao, cập nhật.\n\nBạn sẽ học được gì:\n- Hiểu các khái niệm cốt lõi của kỹ thuật dữ lượng và cách họ hỗ trợ các luồng công việc MLOps\n- Thiết kế dữ khoản có cổ điển Các đường ống để hấp thụ, làm sạch và chuyển đổi dữ liệu thô cho huấn luyện mô hình\n- Tìm hiểu các chiến lược phiên bản và lưu trữ dữ kiện, bao gồm cơ sở dữ liêu vector hiện đại cho các ứng dụng AI\n - Thực hiện các luồng công việc tự động để phối hợp chuyển động dữ lượng và duy trì chất lượng dữ dội\n Luyện tập viết mã chuyển đổi dữ liệu sạch, có cấu trúc với các công cụ hiện đại\n\nChương trình bắt đầu với thuật ngữ thiết yếu và các khái niệm dữ kiện cơ bản trước khi chuyển sang kiến trúc đường ống, mô hình lưu trữ và dàn nhạc. Bạn sẽ tiến triển từ việc tiêu thụ thô đến xây dựng các đường ống dữ liệu tự động, sản xuất được thiết kế cho học máy.\n\nChương trình này được thiết lập cho các kỹ sư dữ kiện tham vọng, người đam mê học máy và nhà phát triển phần mềm tìm kiếm để hiểu về mặt dữ lượng của AI. Không cần kinh nghiệm kỹ thuật dữ liệu trước đó, mặc dù một sự quen thuộc cơ bản với các khái niệm lập trình là hữu ích.\n\nBắt đầu xây dựng nền tảng dữ kiện cần thiết cho các hệ thống học máy đáng tin cậy hôm nay.