Zunächst lernst du die wichtigsten Funktionen von MLOps kennen. Du wirst den Lebenszyklus des maschinellen Lernens, seine Phasen und die mit den MLOps-Prozessen verbundenen Rollen kennenlernen.

Was ist MLOps?

MLOps erklären

Optionen

Maßnahmen im Einklang mit den MLOps-Grundsätzen

Aktionen, die nicht im Einklang mit den MLOps-Grundsätzen stehen

MLOps Grundsätze

Verschiedene Phasen in MLOps

Der ML Lebenszyklus

Entwurf

Entwicklung

Einsatz

Aufgaben pro Phase

Rollen in MLOps

Dein MLOps-Team

Data Engineer

Datenwissenschaftler

Zentrale Rollen in MLOps-Prozessen

Einführung in MLOps

Als Nächstes erfährst du etwas über die Entwurfs- und Entwicklungsphase im Lebenszyklus des maschinellen Lernens. Du wirst dich mit der Schätzung des Mehrwerts, der Datenqualität, den Feature Stores und der Verfolgung von Experimenten beschäftigen.

MLOps Entwurf

Identifizierung von Geschäftsanforderungen

Schlüsselkennzahlen

Datenqualität und -eingabe

Bestimmung der Datenqualität

Dimensionen der Datenqualität

Feature Engineering

Die Modellleistung verbessern

Einem Freund helfen

Lernpfad für Experimente

Was können wir verfolgen?

Lernpfad für Experimente überspringen

Design und Entwicklung

In diesem Kapitel beschäftigst du dich mit den Konzepten, die für den Einsatz von maschinellem Lernen in der Produktion relevant sind, wie Laufzeitumgebungen, Containerisierung, CI/CD Pipelines und Einsatzstrategien.

Modell für den Einsatz vorbereiten

Laufzeitumgebungen

Containerisieren oder nicht containerisieren

Architektur für den Einsatz von maschinellem Lernen

Microservice

API-Datenfluss

CI/CD und Einsatzstrategie

CI/CD Pipelines

Strategien für den Einsatz

Automatisierung und Skalierung

Wie Komponenten automatisieren und skalieren

MLOps Komponenten

Einsatz von Machine Learning in der Produktion

Schließlich erfährst du, wie du maschinelles Lernen in der Produktion aufrechterhalten kannst, mit Konzepten wie statistischer und rechnerischer Überwachung, Umschulung, verschiedenen Reifegraden von MLOps und Tools, die innerhalb des Lebenszyklus von maschinellem Lernen eingesetzt werden können, um Prozesse zu vereinfachen.

Überwachung von Machine Learning Modellen

Überwachung durch maschinelles Lernen

Statistische vs. rechnerische Überwachung

Ein maschinelles Lernmodell neu trainieren

Beispiele für Drift

Umschulung

Reifegrade von MLOps

MLOps Fälligkeit

MLOps Reifegrade

MLOps-Tools

Ein Werkzeug benutzen

Wähle das richtige Werkzeug

Rekapitulation: MLOps-Konzepte

Maschinelles Lernen in der Produktion aufrechterhalten

Das Verständnis von Machine Learning Operations (MLOps) 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. In diesem Kurs lernst du die wichtigsten Prozesse, Phasen und Stufen von MLOps kennen, einschließlich Design, Entwicklung, Einsatz und Überwachung. Du erfährst, wie Unternehmen durch Automatisierung ihre maschinellen Lernmodelle effizient starten, überwachen und aktualisieren können.

<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

Im Kurs lernst du, wie ML-Modelle dank MLOps von lokalen Notebooks zu produktionsreifen Modellen werden und echten Geschäftswert erzielen.

Associate AI Engineer für Datenwissenschaftler

Ingenieur für maschinelles Lernen

Machine Learning in der Produktion in Python

MLOps-Grundlagen

Sprich mit dem Betriebsleiter, um herauszufinden, wie genau dein maschinelles Lernmodell sein sollte.

Erstelle einen Überblick über die potenziellen Datenquellen, die du brauchst.

Führe ein Experiment durch, in dem du zwei Algorithmen vergleichst.

Verwende eine Kombination aus zwei Merkmalen, zum Beispiel den Durchschnitt pro Tag, als Input für dein maschinelles Lernmodell.

Implementiere das maschinelle Lernmodell in den Geschäftsprozess.

Überprüfe wöchentlich die Vorhersagen des maschinellen Lernmodells.

Aufgaben pro Phase

MLOps-Konzepte

Interaktive Übung