Menerapkan model ML ke produksi

Anda mengetahui beberapa praktik terbaik saat mempertimbangkan penerapan model ke produksi dalam siklus hidup MLOps. Anda dapat menerapkan alat otomatisasi untuk mempercepat penyerahan model ke tangan pengguna. Anda dapat memaksimalkan skalabilitas dan efisiensi model dengan mengemas lingkungan dan model secara efektif.

Agar paling efektif, Anda perlu mengingat praktik-praktik terbaik ini dan mengetahui secara spesifik bagaimana praktik tersebut membantu pipeline ML Anda. Saatnya menguji pengetahuan Anda!

Latihan ini merupakan bagian dari kursus

Mengembangkan Model Machine Learning untuk Produksi

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Latihan ini merupakan bagian dari kursus

Mengembangkan Model Machine Learning untuk Produksi

SkillTag.level.intermediateSkillTag.label

4.8+

Mulai Kursus Gratis

Bab ini akan membekali Anda dengan keterampilan dan pengetahuan yang dibutuhkan untuk memindahkan model Machine Learning dari fase riset dan pengembangan ke lingkungan produksi. Anda akan mempelajari proses perubahan dari prototipe riset menjadi sistem yang andal, dapat diskalakan, dan mudah dipelihara.

Exercise 1: Mengadopsi pola pikir MLOps Exercise 2: Apa aspek kunci dari MLOps?Exercise 3: Apa itu technical debt?Exercise 4: Menulis kode ML yang mudah dipelihara Exercise 5: Pengendali versi Exercise 6: Organisasi kode Exercise 7: Menulis dokumentasi ML yang efektif Exercise 8: Mengapa mendokumentasikan metode pelabelan?Exercise 9: Praktik terbaik MLOps

Di bab ini, Anda akan mempelajari pentingnya reprodusibilitas dalam Machine Learning, serta cara memastikan model Anda tetap dapat direproduksi dan andal dari waktu ke waktu. Anda akan mengeksplorasi berbagai teknik dan praktik terbaik yang dapat digunakan untuk menjamin reprodusibilitas model.

Exercise 1: Merancang eksperimen yang dapat direproduksi Exercise 2: Reproducibility dalam ML Exercise 3: Mengidentifikasi Aspek Kunci untuk Reproducibility dan Reliabilitas Exercise 4: Mengelompokkan Elemen Reliabilitas Exercise 5: Mengelompokkan Aspek Reprodusibilitas dan Praktik Dokumentasi Exercise 6: Rekayasa fitur Exercise 7: Mengklasifikasikan Tujuan & Teknik Feature Engineering Exercise 8: Mengidentifikasi Teknik Manipulasi dan Transformasi Data Exercise 9: Seleksi fitur Exercise 10: Versioning data dan model Exercise 11: Model store Exercise 12: Versioning data pelatihan Exercise 13: Memastikan reprodusibilitas

Pada Bab 3, Anda akan menelaah berbagai tantangan yang terkait dengan penerapan model Machine Learning ke lingkungan produksi. Anda akan mempelajari beragam pendekatan untuk menerapkan model ML di produksi serta strategi untuk memantau dan memelihara model ML dalam produksi.

Exercise 1: Membungkus model ML Exercise 2: Tujuan serialisasi dan kontainerisasi Exercise 3: Urutan pengemasan model Exercise 4: Skalabilitas Exercise 5: Penskalaan Exercise 6: Kompleksitas model Exercise 7: Mengategorikan teknik penskalaan Exercise 8: Otomatisasi Exercise 9: Manfaat continuous delivery Exercise 10: Langkah-langkah CI/CD Exercise 11: Menerapkan model ML ke produksi

Latihan Saat Ini

Di bab terakhir, Anda akan mempelajari berbagai cara untuk menguji pipeline Machine Learning dan memastikan kinerjanya sesuai harapan. Anda akan memahami pentingnya pengujian pipeline ML serta mempelajari teknik untuk menguji dan memvalidasi pipeline ML.

Exercise 1: Keandalan model Exercise 2: Mengategorikan Strategi Pengujian untuk Kesiapan dan Keusangan Pipeline ML Exercise 3: Mengatasi Model Staleness dalam Pipeline Machine Learning Exercise 4: Menguji data Exercise 5: Memilih pengujian yang tepat Exercise 6: Pemeriksaan konsistensi Exercise 7: Pengujian model Exercise 8: Memprediksi customer lifetime value Exercise 9: Mengklasifikasikan keadilan Exercise 10: Menguji ML pipeline Exercise 11: Selamat!