This chapter will provide you with the skills and knowledge needed to move your machine learning models from the research and development phase into a production environment. You will learn about the process of moving from a research prototype to a reliable, scalable, and maintainable system.

Adopting an MLOps mindset

What is a key aspect of MLOps?

What is technical debt?

Writing maintainable ML code

Version control

Code organization

Writing effective ML documentation

Why document labeling methods?

MLOps best practices

Moving from Research to Production

In this chapter, you’ll learn about the importance of reproducibility in machine learning, and how to ensure that your models remain reproducible and reliable over time. You’ll explore various techniques and best practices that you can use to ensure the reproducibility of your models.

Reproduzierbare Experimente entwerfen

Reproduzierbarkeit in ML

Zentrale Aspekte für Reproduzierbarkeit und Zuverlässigkeit erkennen

Optionen

Tools & Best Practices für Zuverlässigkeit

Vorteile von Zuverlässigkeit

Elemente der Zuverlässigkeit sortieren

Aspekte der Reproduzierbarkeit

Dokumentationspraktiken

Aspekte der Reproduzierbarkeit und Dokumentationspraktiken sortieren

Feature Engineering

Data Preparation Techniques

Feature Engineering Goals

Ziele und Techniken des Feature Engineerings klassifizieren

Techniken zur Datenmanipulation und -transformation erkennen

Feature Selection

Versionierung von Daten und Modellen

Model Store

Trainingsdaten versionieren

Modell-/Datenversionierung

Experimente entwerfen

Reproduzierbarkeit sicherstellen

 Ensuring Reproducibility

In Chapter 3, you’ll examine the various challenges associated with deploying machine learning models into production environments. You’ll learn about the various approaches to deploying ML models in production and strategies for monitoring and maintaining ML models in production.

Packaging ML models

Goal of serialization and containerization

Model packaging order

Scalability

Scaling

Model complexity

Categorizing scaling techniques

Automation

Benefits of continuous delivery

CI/CD steps

Putting ML models into production

ML in Production Environments

In the final chapter, you’ll learn about the various ways to test machine learning pipelines and ensure they perform as expected. You’ll discover the importance of testing ML pipelines and learn techniques for testing and validating ML pipelines.

Model reliability

Categorizing Testing Strategies for ML Pipeline Readiness and Staleness

Addressing Model Staleness in Machine Learning Pipelines

Testing data

Picking the right test

Consistency check

Testing models

Predicting customer lifetime value

Classifying fairness

Testing machine learning pipelines

Congratulations!

Testing ML Pipelines

Ein Großteil der heutigen Inhalte zu Machine Learning konzentriert sich auf das Trainieren von Modellen und das Tuning von Parametern. Doch 90 % der experimentellen Modelle schaffen es nie in die Produktion – meist, weil sie nicht auf Langlebigkeit ausgelegt sind. In diesem Kurs lernst du, wie du deine Perspektive vom reinen ML-Engineering hin zu MLOps (Machine Learning Operations) verschiebst. So kannst du Modelle trainieren, dokumentieren, betreiben und skalieren – und ihr volles Potenzial ausschöpfen.

Viele der heutigen Inhalte zum maschinellen Lernen drehen sich um das Training von Modellen und die Optimierung von Parametern, aber 90 % der experimentellen Modelle schaffen es nie in die Produktion, vor allem weil sie nicht auf Dauer angelegt sind. In diesem Kurs lernst du, wie du durch einen Wechsel deiner Denkweise von Machine Learning Engineering zu MLOps (Machine Learning Operations) deine Modelle optimal trainieren, dokumentieren, pflegen und skalieren kannst.
Einfach experimentieren und dokumentieren
Mit ML-Modellen rumzuexperimentieren macht oft Spaß, kann aber echt viel Zeit fressen. Hier lernst du, wie du reproduzierbare Experimente planst, um diesen Prozess zu beschleunigen, während du gleichzeitig Dokumentationen für dich und deine Teamkollegen schreibst, was die zukünftige Arbeit an der Pipeline zum Kinderspiel macht.
MLOps-Modelle für die Produktion erstellen
Du lernst die besten Methoden zum Verpacken und Serialisieren von Modellen und Umgebungen für die Produktion kennen, damit die Modelle möglichst lange halten.
Skalier und automatisier deine ML-Pipelines
Wenn du die Komplexität der Modelle und Daten sowie die kontinuierliche Automatisierung berücksichtigst, kannst du sicherstellen, dass deine Modelle für den Produktionseinsatz skaliert werden und im Handumdrehen überwacht und bereitgestellt werden können.

Wenn du diesen Kurs abgeschlossen hast, kannst du Machine-Learning-Modelle entwerfen und entwickeln, die einsatzbereit sind, und sie im Laufe der Zeit immer weiter verbessern.

MLOps Concepts

Supervised Learning with scikit-learn

Wechseln Sie zu MLOps, um ML-Modelle optimal zu trainieren, zu dokumentieren, zu pflegen und zu skalieren.

ML-Modelle für den Produktionseinsatz entwickeln

Wechsel zu einer MLOps-Denkweise, mit der du deine Machine-Learning-Modelle trainieren, dokumentieren, pflegen und auf ihr volles Potenzial skalieren kannst.

MLOps-Grundlagen

Zentrale Aspekte für Reproduzierbarkeit und Zuverlässigkeit erkennen

Interaktive praktische Übung