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.

Merancang eksperimen yang dapat direproduksi

Reproducibility dalam ML

Mengidentifikasi Aspek Kunci untuk Reproducibility dan Reliabilitas

Opsi

Alat & Praktik Terbaik untuk Reliabilitas

Manfaat Reliabilitas

Mengelompokkan Elemen Reliabilitas

Options

Aspects of Reproducibility

Documentation Practices

Mengelompokkan Aspek Reprodusibilitas dan Praktik Dokumentasi

Rekayasa fitur

Teknik Persiapan Data

Tujuan Feature Engineering

Mengklasifikasikan Tujuan & Teknik Feature Engineering

Mengidentifikasi Teknik Manipulasi dan Transformasi Data

Seleksi fitur

Versioning data dan model

Model store

Versioning data pelatihan

Versioning Model/Data

Rekayasa Fitur

Perancangan Eksperimen

Memastikan reprodusibilitas

 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

Sebagian besar konten terkait Machine Learning saat ini berfokus pada pelatihan model dan penyesuaian parameter, tetapi 90% model eksperimental tidak pernah masuk ke produksi, terutama karena tidak dibangun untuk berumur panjang. Dalam kursus ini, Anda akan melihat bagaimana mengubah pola pikir dari rekayasa Machine Learning ke MLOps (Machine Learning Operations) akan memungkinkan Anda melatih, mendokumentasikan, memelihara, dan meningkatkan skala model hingga mencapai potensi maksimalnya.

Sebagian besar konten terkait machine learning saat ini berfokus pada pelatihan model dan penyesuaian parameter, tetapi 90% model eksperimental tidak pernah sampai ke tahap produksi, terutama karena model-model tersebut tidak dirancang untuk bertahan lama. Dalam kursus ini, Anda akan melihat bagaimana mengubah pola pikir Anda dari pola pikir insinyur machine learning menjadi pola pikir MLOps (Machine Learning Operations) akan memungkinkan Anda untuk melatih, mendokumentasikan, memelihara, dan menskalakan model Anda hingga potensi maksimalnya.
Eksperimen dan Dokumentasikan dengan Mudah
Bereksperimen dengan model ML seringkali menyenangkan tetapi bisa memakan waktu. Di sini, Anda akan belajar cara merancang eksperimen yang dapat direproduksi untuk mempercepat proses ini sambil menulis dokumentasi untuk diri sendiri dan rekan tim Anda, sehingga pekerjaan di masa depan pada pipeline menjadi lebih mudah.
Bangun Model MLOps untuk Produksi
Anda akan mempelajari praktik terbaik untuk mengemas dan menserialisasi baik model maupun lingkungan untuk produksi guna memastikan bahwa model-model tersebut dapat bertahan selama mungkin.
Skalakan dan Otomatiskan Pipelines ML Anda
Dengan mempertimbangkan kompleksitas model dan data serta otomatisasi berkelanjutan, Anda dapat memastikan bahwa model-model Anda akan diskalakan untuk penggunaan produksi dan dapat dipantau serta diimplementasikan dalam sekejap.

Setelah Anda menyelesaikan kursus ini, Anda akan mampu merancang dan mengembangkan model pembelajaran mesin yang siap untuk diimplementasikan dalam produksi dan terus memperbaikinya seiring waktu.

MLOps Concepts

Supervised Learning with scikit-learn

Beralih ke pola pikir MLOps untuk melatih, mendokumentasikan, memelihara, dan menskalakan model ML Anda.

Mengembangkan Model Machine Learning untuk Produksi

Dasar-Dasar MLOps

Rollback ke versi model sebelumnya saat performanya menurun

Melakukan encoding variabel kategorikal secara tepat

Mengurutkan variabel independen secara konsisten

Mendokumentasikan pipeline penyetelan parameter

Menentukan metrik dan statistik terbaik untuk model tertentu

Memastikan reprodusibilitas

Mengembangkan Model Machine Learning untuk Produksi

Latihan interaktif langsung