Makine Öğrenimi Modellerini Üretim Ortamı İçin Kaydetme ve Paketleme

Bir makine öğrenimi modelini yerel bir ortamdan güvenilir bir üretim hattına geçirmek, sağlam model serileştirmesi gerektirir. Doğru kalıcılık stratejisi olmadan, modeller bağımlılık uyuşmazlıkları, güvensiz formatlar veya verimsiz yükleme mekanizmaları nedeniyle başarısız olabilir. Bu kurs, makine öğrenimi modellerini güvenli ve verimli bir şekilde nasıl kaydedeceğinizi, sürümlendireceğinizi ve yükleyeceğinizi öğreterek, ölçeklenebilir dağıtıma hazır olmalarını sağlar. Ne öğreneceksiniz: - Temel serileştirme kavramlarını ve serileştirme kaldırmanın (deserialization) güvenlik risklerini anlayın - Pickle ve Joblib kullanarak klasik makine öğrenimi modellerini kaydedin ve yükleyin - Keras ve ONNX gibi standartlaştırılmış formatları kullanarak derin öğrenme modellerini paketleyin - MLflow ile model yapıtlarını (artifacts) sistematik olarak takip edin, sürümlendirin ve yönetin - Dağıtım hatalarını önlemek için ortam bağımlılıklarını ve kilit dosyalarını (lockfiles) yönetin - Kalıcı hale getirilmiş modelleri web uç noktalarına yüklemek için temiz Python kodu yapısı oluşturun Serileştirmenin temel tanımlarıyla başlayarak, yapılandırılmış metin tabanlı açıklamalar ve pratik kod senaryoları aracılığıyla ilerleyeceksiniz. Farklı kalıcılık formatlarını değerlendirmeyi ve özel mimariniz için doğru aracı seçmeyi öğreneceksiniz. Bu kurs, model eğitimi ile üretim arasındaki boşluğu kapatmak isteyen başlangıç seviyesindeki veri bilimcileri ve yazılım geliştiricileri için tasarlanmıştır. Önceden dağıtım veya DevOps deneyimi gerekmemektedir. İstikrarlı, üretime hazır makine öğrenimi hatları oluşturmak için bugün okumaya başlayın.