Optimizing ML Workflows: Version, Reproduce, and Track Models (bằng tiếng Anh).

Trong học máy hiện đại, xây dựng một mô hình tuyệt vời chỉ là một nửa trận chiến; thách thức thực sự nằm ở việc làm cho các luồng công việc của bạn đáng tin cậy, tái tạo và dễ theo dõi. Không có phiên bản và tổ chức thích hợp, ngay cả các mô hình chính xác nhất cũng không thể tái tạo hoặc triển khai an toàn. Lớp học viết này hướng dẫn bạn qua các nguyên tắc cơ bản của MLOps, tập trung vào cách phiên bản dữ liệu, theo dõi thí nghiệm, và lưu các hiện vật mô hình một cách có hệ thống. Bạn sẽ chuyển từ viết kịch bản ad-hoc để thiết lập các quy trình học máy chuyên nghiệp, có cấu trúc đảm bảo mỗi thí nghiệm có thể được tái tạo với sự tự tin. Bạn sẽ học được gì: Hiểu các khái niệm MLOps cơ bản và tại sao khả năng tái tạo lại là quan trọng trong phát triển học máy; Theo dõi các thí nghiệm và tham số mô hình một cách có hệ thống để so sánh hiệu suất qua các chạy khác nhau; Thực hiện các kỹ thuật phiên bản dữ liệu và mô hình để giữ mã, tập dữ kiện và trọng lượng đồng bộ hoàn hảo; Cấu hình tự động Các đường ống giúp tối ưu hóa các bước xử lý trước, đào tạo và đánh giá; Bảo quản và gói các mô hình được đào tác an toàn để triển khai không gian sản xuất; Ứng dụng các thực tiễn tốt nhất hiện đại cho việc gỡ lỗi đường ống và tối Ưu hóa lưu lượng công việc hiệu quả. Chương trình bắt đầu với các định nghĩa cốt lõi và chu kỳ sống của một dự án học máy, sau đó chuyển từng bước vào các chiến lược phiên bản thực tế, theo dõi thí nghiệm và tự động hóa đường ống. Bạn sẽ đọc qua các phân tích khái niệm và nghiên cứu các đoạn mã rõ ràng, viết để minh họa các thực hành MLOps sạch. Được thiết kế cho các nhà khoa học dữ liệu mới bắt đầu, kỹ sư phần mềm và kỹ thuật viên ML tham vọng, khóa học này không yêu cầu kinh nghiệm trước với các công cụ DevOps hoặc MLOps. Bắt đầu xây dựng các luồng học máy mạnh mẽ, tái tạo ngay hôm nay.