Производственные системы машинного обучения GCP

Перенос модели машинного обучения из локальной переносной компьютера в надежную производственную среду требует определенного набора инженерных навыков. В этом текстовом курсе вы узнаете основные архитектурные шаблоны и инструменты, необходимые для создания, развертывания и мониторинга масштабируемых конвейеров машинного обучения в GCP. Вы перейдете от обучения изолированных моделей к созданию полностью автоматизированных, готовых к производству систем ML. Прочитав наши подробные объяснения и проанализировав примеры структурированного кода, вы узнаете, как управлять конвейерами данных, организовывать рабочие процессы и поддерживать производительность модели во времени. Что вы узнаете: 1. Понимание основных концепций MLOps и архитектуры производственной системы. 2. Создание автоматизированных конвейеров ML для организации ввода данных, обучения и развертывания. 3. Настройте компоненты модели, обслуживающие предсказания с низкой задержкой и высокой пропускной способностью. 4. Осуществлять непрерывный мониторинг для выявления дрейфа данных и ухудшения эффективности моделей. 5. Применять современные методы CI/CD, специально разработанные для рабочих процессов машинного обучения. 6. Изучение современных векторных баз данных и моделей генерации, дополненных поиском, в производстве. Курс начинается с основной терминологии и основной архитектуры производственных систем, прежде чем перейти к конфигурации трубопровода и стратегиям мониторинга. В конце книги приводятся практические рекомендации по поддержанию работоспособности системы и масштабированию инфраструктуры. Этот курс предназначен для начинающих инженеров ML, ученых данных и разработчиков программного обеспечения, которые хотят перейти к производственному уровню инженерии, без предварительного опыта работы в облаке. Начните создавать надежные автоматизированные системы машинного обучения в облаке уже сегодня.