First, you’ll learn about the core features of MLOps. You’ll explore the machine learning lifecycle, its phases, and the roles associated with MLOps processes.

What is MLOps?

Explaining MLOps

MLOps principles

Different phases in MLOps

The ML lifecycle

Tasks per phase

Roles in MLOps

Your MLOps team

Core roles in MLOps processes

Introduction to MLOps

Next, you’ll learn about the design and development phase in the machine learning lifecycle. You’ll explore added value estimation, data quality, feature stores, and experiment tracking.

MLOps design

Identifying business requirements

Key metrics

Data quality and ingestion

Determining data quality

Data quality dimensions

Feature engineering

Improving model performance

Helping a friend

Experiment tracking

What can we track?

Skipping experiment tracking

Design and Development

In this chapter, you’ll dive into the concepts relevant to deploying machine learning into production, such as runtime environments, containerization, CI/CD pipelines, and deployment strategies.

Modell für die Bereitstellung vorbereiten

Laufzeitumgebungen

Containerisieren oder nicht containerisieren

Architektur für das Deployment von Machine Learning

Microservice

Ablauf einer API-Anfrage

API-Datenfluss

CI/CD und Bereitstellungsstrategie

CI/CD-Pipelines

Optionen

Basic-Deployment

Shadow-Deployment

Canary-Deployment

Deployment-Strategien

Automatisierung und Skalierung

Experiment-Tracking

Containerisierung

CI/CD-Pipeline

Wie Komponenten automatisieren und skalieren

MLOps-Komponenten

Deploying Machine Learning into Production

Finally, you’ll learn about maintaining machine learning in production, with concepts such as statistical and computational monitoring, retraining, different levels of MLOps maturity, and tools that can be used within the machine learning lifecycle to simplify processes.

Monitoring machine learning models

Machine learning monitoring

Statistical vs. computational monitoring

Retraining a machine learning model

Examples of drift

Retraining

Levels of MLOps maturity

MLOps maturity

MLOps maturity levels

MLOps tools

Using a tool

Pick the right tool

Recap: MLOps concepts

Maintaining Machine Learning in Production

Course Glossary

Das Verständnis von Machine Learning Operations (MLOps) ist für Data Scientists, Engineers und Führungskräfte entscheidend, um Machine-Learning-Modelle vom lokalen Notebook in ein produktives, funktionsfähiges Modell zu überführen. Dieser Kurs führt dich in die wichtigsten Prozesse, Phasen und Reifegrade von MLOps ein – von Design und Entwicklung über Bereitstellung bis hin zum Monitoring. Du erfährst, wie Automatisierung Organisationen dabei hilft, ihre Machine-Learning-Modelle effizient zu starten, zu überwachen und zu aktualisieren.

<h2>Erfahre mehr über Machine Learning Operations (MLOps)</h2>
Das Verständnis der MLOps-Konzepte ist für jeden Datenwissenschaftler, Ingenieur oder jede Führungskraft unerlässlich, um Machine-Learning-Modelle von einem lokalen Notebook zu einem funktionierenden Modell in der Produktion zu bringen.
<br><br>
In diesem Kurs lernst du, was MLOps ist, verstehst die verschiedenen Phasen des MLOps-Prozesses und erkennst die verschiedenen Reifegrade von MLOps. Nachdem du die wichtigsten MLOps-Konzepte kennengelernt hast, bist du gut gerüstet, um maschinelles Lernen kontinuierlich, zuverlässig und effizient umzusetzen.
<br><br>
<h2>Entdecke, wie maschinelles Lernen skaliert und automatisiert werden kann</h2>
Wie können wir unsere Machine-Learning-Projekte mit einem Minimum an Zeit und Ressourcen skalieren? Und wie können wir unsere Prozesse automatisieren, um den Bedarf an manuellen Eingriffen zu verringern und die Modellleistung zu verbessern? Das sind grundlegende Fragen des maschinellen Lernens, auf die MLOps die Antworten liefert.
<br><br>
In diesem MLOps-Kurs lernst du zunächst die Grundlagen von MLOps kennen, indem du dir die wichtigsten Funktionen und die damit verbundenen Rollen ansiehst. Als Nächstes wirst du die verschiedenen Phasen des Lebenszyklus des maschinellen Lernens genauer kennenlernen.
<br><br>
Im weiteren Verlauf lernst du auch Systeme und Tools kennen, mit denen du maschinelles Lernen besser skalieren und automatisieren kannst, z. B. Feature Stores, Experiment Tracking, CI/CD Pipelines, Microservices und Containerisierung. Du lernst die wichtigsten MLOps-Konzepte kennen und bekommst ein besseres Verständnis für ihre Anwendung.

Understanding Machine Learning

Understanding Data Engineering

Entdecken Sie, wie MLOps ML-Modelle von Notebooks zu produktiven Modellen mit echtem Geschäftswert bringt.

MLOps-Konzepte

Hier erfährst du, wie du ML-Modelle in den Produktivbetrieb überführst, um einen echten Business Value zu schaffen.

Associate AI Engineer für Datenwissenschaftler

Ingenieur für maschinelles Lernen

Machine Learning in der Produktion in Python

MLOps-Grundlagen

Kein Zwischentest; das alte Modell wird einfach durch das neue ersetzt.

Verbraucht die geringste Menge an Ressourcen.

Vergleiche das neue Modell mit dem Live-Modell anhand derselben Daten.

Modelle laufen vollständig parallel, wobei das neue Modell vor der Öffentlichkeit verborgen ist.

Rolle das neue Modell schrittweise für eine kleine Nutzergruppe aus.

Das neue Modell wird nicht für alle Nutzer eingesetzt.

Deployment-Strategien

Interaktive praktische Übung