Podstawy MLOps: Budowanie i wdrażanie systemów produkcyjnych ML

Przeniesienie modelu uczenia maszynowego z izolowanego notebooka do niezawodnego środowiska produkcyjnego wymaga zupełnie innego zestawu umiejętności niż tylko algorytmów treningowych. Ten kurs wypełnia lukę między nauką o danych a inżynierią oprogramowania, wprowadzając podstawowe zasady operacji uczenia maszynowego (MLOps). Przejdziesz od pisania ręcznych skryptów ML do projektowania zautomatyzowanych, solidnych i powtarzalnych potoków uczenia maszynowego. Podczas tego kursu zrozumiesz, jak zarządzać danymi, śledzić eksperymenty, pakować modele i monitorować ich wydajność w rzeczywistych scenariuszach. Czego się nauczysz: - Zrozum podstawową terminologię MLOps, etapy cyklu życia i podstawowe różnice między tradycyjnymi DevOps i MLOp. - Skonfiguruj zautomatyzowane potoki danych i systemy kontroli wersji zarówno dla kodu, jak i zestawów danych. - Systematycznie śledź eksperymenty, parametry i artefakty modelu uczenia maszynowego. - Twórz zautomatyzowane potoki CI / CD, aby testować, pakować i wdrażać modele przy użyciu podstaw konteneryzacji. - Monitoruj modele produkcyjne pod kątem dryfu danych, dryfu koncepcji i degradacji wydajności. - Zastosuj nowoczesne wzorce obserwacji, aby utrzymać zdrowie i niezawodność systemu. Kurs zaczyna się od podstawowych definicji i koncepcji cyklu życia, a następnie przeprowadza przez wersjonowanie danych, śledzenie eksperymentów, strategie wdrażania i ciągłe monitorowanie. Nauczysz się poprzez jasne pisemne wyjaśnienia, awarie architektoniczne i praktyczne ćwiczenia konfiguracyjne oparte na tekście. Zaprojektowany dla początkujących inżynierów ML, naukowców zajmujących się danymi i programistów nowych operacji, ten kurs wymaga tylko podstawowej wiedzy Pythona i bez wcześniejszego doświadczenia MLOps. Zacznij tworzyć niezawodne, zautomatyzowane systemy uczenia maszynowego już dziś.