Automatisierung von ML-Pipelines mit Airflow und Kubernetes

Der Übergang von lokalen Skripts zu automatisierten, zuverlässigen Produktionspipelines kann sich überwältigend anfühlen. Das Management von Datenabhängigkeiten, die Planung von Ausführungen und die Skalierung der Infrastruktur erfordern eine strukturierte Workflow-Automatisierungsstrategie. Dieser textbasierte Kurs führt Sie durch die grundlegenden Konzepte von MLOps und Workflow-Orchestrierung und hilft Ihnen, die Fähigkeiten zum Packen Ihrer Modelle, zum Planen komplexer Datenpipelines und zum Bereitstellen skalierbarer Workflows, die automatisch ausgeführt werden, zu erwerben. Was Sie lernen werden: - Verstehen Sie die Grundprinzipien von MLOps und die Rolle der Workflow-Orchestrierung im maschinellen Lernen. - Containerisieren Sie Machine-Learning-Anwendungen und Abhängigkeiten mit Docker. - Entwerfen und planen Sie robuste gerichtete azyklische Graphen (DAGs) mit Airflow. - Bereitstellen und Verwalten skalierbarer containerisierter Pipelines mit Kubernetes. - Erkunden Sie verwaltete Cloud-Workflow-Lösungen wie Cloud Composer für eine vereinfachte Administration. - Wenden Sie grundlegende CI / CD-Konzepte an, um das Testen und Bereitstellen Ihres Pipeline-Codes zu automatisieren. Der Kurs beginnt mit der wichtigsten Terminologie, grundlegenden Pipeline-Konzepten und grundlegendsten Orchestrierungsdefinitionen. Von dort aus gehen Sie Schritt für Schritt durch schriftliche Erklärungen und praktische Code-Snippets, um Ihre eigenen automatisierten Workflows zu erstellen, zu containerisieren und zu planen. Dieser Kurs richtet sich an angehende Machine-Learning-Ingenieure, Data Scientists und Entwickler, die von manuellem Modelltraining zu automatisierten Pipelines wechseln möchten, ohne dass vorherige Orchestrierungserfahrung erforderlich ist. Lesen Sie noch heute weiter, um die wesentlichen Tools zu erlernen, mit denen moderne Machine Learning-Systeme reibungslos laufen.