První kapitola tě seznámí s MLOps a vysvětlí, proč je nezbytné pro firmy, které chtějí souběžně navrhovat, vyvíjet a provozovat více aplikací strojového učení. Dozvíš se o hlavních prvcích MLOps, jako je škálování a automatizace, o jeho přínosech a o tom, proč MLOps stále představuje výzvu. Prozkoumáš také, co obnáší zahájení cesty s MLOps – jak z technologického, tak z manažerského pohledu.

Co je MLOps?

MLOps: soubor postupů pro ...

Jaké jsou charakteristiky MLOps?

Byznysové argumenty pro MLOps

Relevantní oblasti MLOps

Jak investovat do MLOps

Důvody pro investici do MLOps

Základy MLOps

Členové MLOps týmu

Předpoklady MLOps

Prvky MLOps

Úvod do MLOps

Ve druhé kapitole se seznámíš s celým životním cyklem MLOps – od návrhu přes vývoj a nasazení až po provoz. Zjistíš, proč je monitoring klíčový pro produktivní aplikace strojového učení a proč je nutné modely strojového učení pravidelně přetrénovat.

MLOps od začátku do konce

Deset důležitých kroků životního cyklu MLOps

Možnosti

Návrh

Vývoj (modelu)

Provoz

Hlavní fáze MLOps aplikace

Vývoj

Klíčové úkoly v hlavních fázích MLOps

Fáze návrhu

Odkládání úkolů z fáze návrhu

Plán pro úspěch: návrh MLOps projektu

Fáze vývoje

Vývojová fáze MLOps

Vývojové úkoly

Datový inženýr

Datový vědec

Softwarový inženýr

Role ve fázi vývoje

Monitorování, přetrénování a nahrazování MLOps aplikací

Vlastnosti životního cyklu MLOps

Datový vědec / ML inženýr

Individuální odpovědnosti při vývoji MLOps projektu

Proces MLOps

Životní cyklus MLOps

Ve třetí kapitole přejdeš od teorie k praxi a objevíš hlavní výzvy a rizika spojená s nasazením modelů strojového učení. Dozvíš se také, jak úspěšně fungují MLOps týmy a co může management udělat pro úspěšné škálování strojového učení.

Obchodní výzvy a rizika spojená s MLOps

Co dělá MLOps náročným?

Tradiční software vs. MLOps

Potenciální obchodní rizika MLOps

Jak MLOps týmy skutečně fungují

Týmy ve stylu DevOps

Výzvy při zavádění MLOps

Současný stav MLOps

Nepravdivé tvrzení o MLOps

Proč je MLOps náročné

MLOps: od teorie k praxi

Závěrečná kapitola ti ukáže, jak úspěšně nastartovat MLOps cestu ve tvé firmě – probereme osvědčené postupy i úskalí, kterým se vyplatí vyhnout. Na závěr se podíváš na různé úrovně zralosti MLOps a kurz zakončíš případovou studií z praxe o návrhu, vývoji a provozu aplikace strojového učení pro kritické produkční procesy.


Jak se stát plně připravenou firmou v oblasti MLOps

Platná MLOps KPI

Seřaď úrovně zralosti nasazení

Zralost MLOps

Osvědčené postupy a úskalí MLOps

Co je potřeba testovat?

(Ne)osvědčený postup

Případová studie MLOps: Zvyšování zisku s pomocí MLOps

Klíčové body případové studie

Shrnutí

MLOps v praxi


Nauč se základní koncepty a postupy MLOps – vznikající sady nástrojů a technik pro automatizaci a škálování aplikací strojového učení.

Vývoj modelů strojového učení býval zdlouhavý ruční proces a většina modelů se do produkce nikdy nedostala. MLOps umožňuje firmám efektivně škálovat a automatizovat návrh, vývoj i provoz modelů strojového učení.

V tomto kurzu se dozvíš, co MLOps je a jak ho využít k tomu, aby se tvoje firma stala plně vyzrálou v oblasti strojového učení. Seznámíš se s požadavky na MLOps, nástroji, technikami i lidmi, kteří se na něm podílejí, a naučíš se vyhýbat běžným chybám.

Po absolvování kurzu budeš dobře rozumět tomu, jak navrhovat, vyvíjet a provozovat aplikace strojového učení ve velkém měřítku, a dokážeš využít potenciál strojového učení ve prospěch svého podnikání.

<h2>Objevte MLOps pro byznys</h2>
Naučte se základní koncepty a postupy MLOps, což je nově se rozvíjející soubor nástrojů a technik pro automatizaci a škálování aplikací strojového učení.

Vývoj modelů strojového učení býval zdlouhavou manuální prací a většina modelů se nikdy nedostala do produkce. S MLOps mohou firmy efektivně škálovat a automatizovat návrh, vývoj a provoz modelů strojového učení.
<h2>Naučte se používat Machine Learning Operations ve svém podnikání</h2>
Tento kurz vás naučí, co je MLOps a jak ho můžete využít k tomu, abyste se stali plně vyspělou společností zabývající se strojovým učením. Dozvíte se o požadavcích na MLOps, nástrojích, technikách a lidech, kteří jsou do něj zapojeni, a také o tom, jak se vyhnout běžným chybám.

Začnete tím, že se seznámíte s hlavními prvky MLOps a s tím, proč je pro firmy, které chtějí navrhovat, vyvíjet a provozovat více aplikací strojového učení, tak zásadní.
<h2>Prozkoumejte životní cyklus MLOps</h2>
Dále prozkoumáte celý životní cyklus MLOps, od návrhu přes vývoj a nasazení až po provoz. V kapitole 3 se dozvíte o hlavních výzvách a rizicích nasazování modelů strojového učení v praxi.

Nakonec se podíváte na osvědčené postupy a případové studie úspěšné implementace MLOps v praxi.

Na konci kurzu budete mít hluboké porozumění tomu, jak navrhovat, vyvíjet a provozovat aplikace strojového učení ve velkém měřítku, a budete schopni využít dopad strojového učení na vaše podnikání.


Machine Learning for Business

Poznejte MLOps, nástroje a postupy pro automatizaci a škálování aplikací strojového učení.

MLOps for Business

Poznejte MLOps, včetně nástrojů a postupů pro automatizaci a škálování aplikací strojového učení.

Kontrola nákladů na zpracování velkého množství dat.

Zajištění správného fungování všech datových pipeline.

Zjišťování, proč model nasazený do produkce přináší jiné výsledky, než se očekávalo.

Zdůvodnění, proč nebylo zvažováno použití deep learningu.

Zajištění, že logy incidentů běží správně a spouštějí automatické alarmy.

Zajištění, že model funguje v mobilní aplikaci stejně jako na serveru.

Kontrola, že kód strojového učení odpovídá celofiremním vývojovým standardům.

Individuální odpovědnosti při vývoji MLOps projektu

MLOps for Business

Interaktivní praktické cvičení