Tout d'abord, vous découvrirez les principales caractéristiques de MLOps. Vous explorerez le cycle de vie de l'apprentissage automatique, ses phases et les rôles associés aux processus MLOps.

Qu'est-ce que MLOps ?

Explication de MLOps

MLOPrincipes du ps

Différentes phases dans MLOps

Le cycle de vie de ML

Tâches par phase

Rôles dans MLOps

Votre équipe MLOps

Rôles essentiels dans les processus MLOps

Introduction à MLOps

Ensuite, vous découvrirez la phase de conception et de développement du cycle de vie de l'apprentissage automatique. Vous explorerez l'estimation de la valeur ajoutée, la qualité des données, les magasins de fonctionnalités et le cursus des expériences.

MLOps design

Identifier les besoins de l'entreprise

Chiffres clés

Qualité et ingestion des données

Déterminer la qualité des données

Dimensions de la qualité des données

Ingénierie des fonctionnalités

Améliorer la performance des modèles

Aider un ami

Le cursus de l'expérience

Que pouvons-nous cursus ?

Sauter le cursus de l'expérience

Conception et développement

Dans ce chapitre, vous découvrirez les concepts relatifs au déploiement de l'apprentissage automatique en production, tels que les environnements d'exécution, la conteneurisation, les pipelines CI/CD et les stratégies de déploiement.

Préparation du modèle pour le déploiement

Environnements d'exécution

Conteneuriser ou ne pas conteneuriser

Architecture de déploiement de l'apprentissage automatique

Microservice

API flux de données

CI/CD et stratégie de déploiement

CI/CD pipelines

Stratégies de déploiement

Automatisation et mise à l'échelle

Comment les composants s'automatisent et s'adaptent

MLOComposants ps

Déployer l'apprentissage automatique en production

Enfin, vous apprendrez à maintenir l'apprentissage automatique en production, avec des concepts tels que la surveillance statistique et informatique, le recyclage, les différents niveaux de maturité MLOps, et les outils qui peuvent être utilisés dans le cycle de vie de l'apprentissage automatique pour simplifier les processus.

Suivi des modèles d'apprentissage automatique

Surveillance de l'apprentissage automatique

Options

Statistiques

Calculs

Suivi statistique ou informatique

Réentraînement d'un modèle d'apprentissage automatique

Dérive des données

Dérive conceptuelle

Exemples de dérives

Recyclage

Niveaux de maturité MLOps

MLOmaturité du ps

Niveau 1

Niveau 2

Niveau 3

MLONiveaux de maturité des ps

MLOOutils ps

Utilisation d'un outil

Conteneurisation des modèles

Contrôle

Choisir le bon outil

Récapitulatif : Concepts de MLOps

Maintenir l'apprentissage automatique en production

Comprendre les opérations d'apprentissage automatique (MLOps) est essentiel pour tout scientifique, ingénieur ou responsable de données afin de faire passer les modèles d'apprentissage automatique d'un bloc-notes local à un modèle fonctionnel en production. Ce cours vous présente les principaux processus, phases et niveaux de MLOps, notamment la conception, le développement, le déploiement et la surveillance. Vous découvrirez comment l'automatisation permet aux entreprises de lancer, surveiller et mettre à jour efficacement leurs modèles d'apprentissage automatique.

<h2>Découvrez les opérations d'apprentissage automatique (MLOps)</h2>
La compréhension des concepts MLOps est essentielle pour tout scientifique, ingénieur ou dirigeant de données afin de faire passer les modèles d'apprentissage automatique d'un bloc-notes local à un modèle fonctionnel en production.
<br><br>
Dans ce cours, vous apprendrez ce qu'est le MLOps, vous comprendrez les différentes phases des processus MLOps et vous identifierez les différents niveaux de maturité du MLOps. Après avoir découvert les concepts essentiels de MLOps, vous serez bien équipé pour mettre en œuvre l'apprentissage automatique de manière continue, fiable et efficace.
<br><br>
<h2>Découvrez comment l'apprentissage automatique peut être mis à l'échelle et automatisé</h2>
Comment faire évoluer nos projets d'apprentissage automatique en utilisant un minimum de temps et de ressources ? Et comment pouvons-nous automatiser nos processus pour réduire le besoin d'interventions manuelles et améliorer la performance des modèles ? Ce sont des questions fondamentales sur l'apprentissage automatique auxquelles MLOps apporte des réponses.
<br><br>
Dans ce cours MLOps, vous commencerez par explorer les bases de MLOps, en examinant les caractéristiques principales et les rôles associés. Ensuite, vous explorerez plus en détail les différentes phases du cycle de vie de l'apprentissage automatique.
<br><br>
Au fur et à mesure de votre progression, vous découvrirez également des systèmes et des outils permettant de mieux mettre à l'échelle et d'automatiser les opérations d'apprentissage automatique, notamment les magasins de fonctionnalités, le suivi des expériences, les pipelines CI/CD, les microservices et la conteneurisation. Vous explorerez les concepts clés de MLOps, ce qui vous permettra de mieux comprendre leurs applications.

Understanding Machine Learning

Understanding Data Engineering

Découvrez comment MLOps transforme des modèles en production, apportant une réelle valeur commerciale.

Concepts de MLOps

Découvrez comment les MLOps permettent de passer des notebooks locaux aux modèles machine learning déployés en production, générant une vraie valeur.

Ingénieur IA associé pour les scientifiques de données

Ingénieur en apprentissage automatique

L'apprentissage automatique en production en Python

Principes de base des MLOps

Il n'y a pas d'intégration continue ni de livraison continue.

Une séparation des équipes d'apprentissage automatique et des équipes opérationnelles.

Les expériences d'apprentissage automatique sont développées automatiquement, mais le déploiement est manuel.

Les modèles d'apprentissage automatique sont développés automatiquement, mais doivent être transmis manuellement pour être déployés.

Une configuration CI/CD pour automatiser la construction, le test et le déploiement de modèles d'apprentissage automatique.

Surveillance du modèle d'apprentissage automatique en production et déclenchements automatisés pour le réentraînement du modèle.

MLONiveaux de maturité des ps

Concepts de MLOps

Exercice interactif pratique