Śledzenie eksperymentów ML i rozwój modeli dla MLOps

Przejście od niechlujnego kodu eksperymentalnego do zorganizowanych, gotowych do produkcji procesów uczenia maszynowego może być trudne bez systematycznego podejścia. Ten kurs uczy, jak rejestrować, śledzić i porównywać eksperymenty ML, aby zapewnić pełną odtwarzalność. Przejdziesz od chaotycznych cykli rozwoju do uporządkowanego zarządzania modelami, nauczysz się rejestrować parametry, porównywać przebiegi modeli i zarządzać wersjami modeli przy użyciu standardowych praktyk MLOps. Czego się nauczysz: - Zrozum podstawowe zasady śledzenia eksperymentów i dlaczego jest to niezbędne dla nowoczesnych MLOps - Systematycznie rejestruj hiperparametry, metrykę i artefakty podczas treningu modelu - Porównaj różne modele, aby zidentyfikować najlepiej działającą konfigurację - Zarządzaj wersjami i przejściami modeli w całym cyklu życia rozwoju - Zastosuj czyste praktyki kodowe i nowoczesne standardy pakowania do swoich przepływów pracy ML - Organizuj projekty uczenia maszynowego w celu płynnej współpracy i odtwarzalności Kurs zaczyna się od podstawowych definicji i podstawowych pojęć śledzenia eksperymentów, zanim przeprowadzi Cię krok po kroku przez pisemne wyjaśnienia dotyczące logowania, porównywania przebiegów i modeli wersjonowania. Będziesz ćwiczyć te pojęcia poprzez Ćwiczenia tekstowe zaprojektowane do symulacji rzeczywistych scenariuszy MLOps. Ten kurs jest przeznaczony dla początkujących naukowców zajmujących się danymi, entuzjastów uczenia maszynowego i inżynierów oprogramowania, którzy chcą przyjąć najlepsze praktyki MLOps. Nie jest wymagane zaawansowane uczenie maszynowe ani wcześniejsze doświadczenie w DevOps. Rozpocznij uporządkowane śledzenie już dziś, aby uczynić swoje procesy uczenia maszynowego uporzętnionymi i powtarzalnymi.