Nejprve se seznámíš se základními prvky MLOps. Prozkoumáš životní cyklus strojového učení, jeho fáze a role spojené s procesy MLOps.

Co je MLOps?

Vysvětlení MLOps

Možnosti

Akce v souladu s principy MLOps

Akce, které nejsou v souladu s principy MLOps

Principy MLOps

Různé fáze MLOps

Životní cyklus ML

Návrh

Vývoj

Nasazení

Úlohy v jednotlivých fázích

Role v MLOps

Tvůj MLOps tým

Data Engineer

Data Scientist

Klíčové role v MLOps procesech

Úvod do MLOps

Dále se zaměříš na fázi návrhu a vývoje v životním cyklu strojového učení. Prozkoumáš odhad přidané hodnoty, kvalitu dat, feature stores a sledování experimentů.

Design v MLOps

Identifikace obchodních požadavků

Klíčové metriky

Kvalita dat a jejich příjem

Hodnocení kvality dat

Dimenze kvality dat

Feature engineering

Zlepšení výkonu modelu

Pomoc kamarádovi

Sledování experimentů

Co můžeme sledovat?

Vynechání sledování experimentů

Návrh a vývoj

V této kapitole se ponoříš do konceptů relevantních pro nasazení strojového učení do produkce, jako jsou runtime prostředí, kontejnerizace, CI/CD pipeline a strategie nasazení.

Příprava modelu na nasazení

Runtime prostředí

Kontejnerizovat, nebo nekontejnerizovat?

Architektura nasazení modelů strojového učení

Mikroslužba

Tok dat přes API

CI/CD a strategie nasazení

CI/CD pipeline

Strategie nasazení

Automatizace a škálování

Jak komponenty podporují automatizaci a škálování

Komponenty MLOps

Nasazení strojového učení do produkce

Na závěr se naučíš, jak udržovat strojové učení v produkci – zaměříš se na statistické a výpočetní monitorování, přetrénování modelů, různé úrovně vyspělosti MLOps a nástroje, které lze v životním cyklu strojového učení využít ke zjednodušení procesů.

Monitorování modelů strojového učení

Monitorování strojového učení

Statistický vs. výpočetní monitoring

Přetrénování modelu strojového učení

Příklady driftu

Přetrénování

Úrovně vyspělosti MLOps

Vyspělost MLOps

Nástroje MLOps

Použití nástroje

Vyber správný nástroj

Rekapitulace: koncepty MLOps

Udržování strojového učení v produkci

Course Glossary

Pochopení konceptu Machine Learning Operations (MLOps) je nezbytné pro každého datového vědce, inženýra nebo vedoucího pracovníka, který chce převést modely strojového učení z lokálního notebooku do fungující produkce. Tento kurz tě seznámí s klíčovými procesy, fázemi a úrovněmi MLOps, včetně návrhu, vývoje, nasazení a monitorování. Zjistíš, jak automatizace pomáhá organizacím efektivně spouštět, monitorovat a aktualizovat jejich modely strojového učení.

Videa obsahují živé přepisy, které si zobrazíš kliknutím na „Zobrazit přepis" v levém dolním rohu videa.									
Glosář kurzu najdeš vpravo v sekci se zdroji.				
					
Pro získání kreditů CPE musíš kurz dokončit a dosáhnout skóre alespoň 70 % v kvalifikovaném hodnocení. K hodnocení se dostaneš kliknutím na informaci o kreditech CPE na pravé straně.									

<h2>Seznamte se s Machine Learning Operations (MLOps)</h2>
Pochopení konceptů MLOps je zásadní pro každého datového vědce, inženýra nebo vedoucího, aby dokázal převést modely strojového učení z lokálního notebooku do funkčního modelu v produkci.
<br><br>
V tomto kurzu se dozvíte, co je MLOps, pochopíte jednotlivé fáze procesů MLOps a poznáte různé úrovně vyspělosti MLOps. Poté, co se seznámíte se základními koncepty MLOps, budete na své cestě k průběžné, spolehlivé a efektivní implementaci strojového učení dobře připraveni.
<br><br>
<h2>Objevte, jak lze strojové učení škálovat a automatizovat</h2>
Jak můžeme škálovat naše projekty strojového učení s minimálním časem a zdroji? A jak můžeme automatizovat naše procesy, abychom snížili potřebu ručního zásahu a zlepšili výkon modelu? Toto jsou základní otázky strojového učení, na které MLOps poskytuje odpovědi.
<br><br>
V tomto kurzu MLOps začneš prozkoumáním základů MLOps a podíváš se na klíčové funkce a související role. Dále se podrobněji seznámíte s jednotlivými fázemi životního cyklu strojového učení.
<br><br>
Jak budete postupovat, naučíte se také o systémech a nástrojích, které vám pomohou lépe škálovat a automatizovat provoz strojového učení, včetně feature stores, sledování experimentů, CI/CD pipeline, microservices a kontejnerizace. Prozkoumáte klíčové koncepty MLOps, díky nimž lépe pochopíte jejich využití.

Understanding Machine Learning

Understanding Data Engineering

Zjistěte, jak MLOps přenáší modely strojového učení z notebooků do produkce s reálnou hodnotou.

MLOps Concepts

Zjistěte, jak MLOps může převést modely strojového učení z lokálních notebooků na funkční modely v produkci, které přinášejí skutečnou obchodní hodnotu.

Asociovaný AI inženýr pro datové vědce

Inženýr strojového učení

Strojové učení v produkci v Pythonu

Základy MLOps

Extrahovat nezpracovaná data z různých zdrojů a uložit je na centrální místo.

Zajistit, aby příchozí data byla validována podle požadavků na kvalitu dat.

Navrhovat a spravovat datové pipeline pro zajištění efektivního toku dat a jejich dostupnosti pro analýzu.

Provádět ladění hyperparametrů, aby byl proces trénování modelu co nejefektivnější.

Vyhodnocovat výkonnost modelu strojového učení podle stanovených požadavků.

Vyvíjet a implementovat modely strojového učení k řešení konkrétních obchodních problémů.

Klíčové role v MLOps procesech

MLOps Concepts

Interaktivní praktické cvičení