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.

Apa itu MLOps?

Menjelaskan MLOps

Opsi

Tindakan yang selaras dengan prinsip-prinsip MLOps

Tindakan yang tidak selaras dengan prinsip-prinsip MLOps

Prinsip-prinsip MLOps

Berbagai fase dalam MLOps

Siklus Hidup ML

Perancangan

Pengembangan

Penyebaran

Tugas per fase

Peran dalam MLOps

Tim MLOps Anda

Data Engineer

Data Scientist

Peran inti dalam proses MLOps

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.

Preparing model for deployment

Runtime environments

To containerize or not to containerize

Machine learning deployment architecture

Microservice

API data flow

CI/CD and deployment strategy

CI/CD pipelines

Deployment strategies

Automation and scaling

How components automate and scale

MLOps components

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

Memahami Machine Learning Operations (MLOps) sangat penting bagi setiap data scientist, engineer, atau pemimpin untuk membawa model machine learning dari notebook lokal menjadi model yang berfungsi di produksi. Kursus ini memperkenalkan proses, tahap, dan tingkat utama MLOps, termasuk perancangan, pengembangan, penerapan, dan pemantauan. Anda akan mengetahui bagaimana otomatisasi memungkinkan organisasi meluncurkan, memantau, dan memperbarui model machine learning mereka secara efisien.

Video dilengkapi transkrip langsung yang dapat Anda tampilkan dengan mengeklik "Show transcript" di kiri bawah video.									
Glosarium kursus dapat ditemukan di sebelah kanan pada bagian sumber daya.				
					
Untuk memperoleh kredit CPE, Anda perlu menyelesaikan kursus dan mencapai skor 70% pada asesmen yang memenuhi syarat. Anda dapat menuju ke asesmen dengan mengeklik pemberitahuan kredit CPE di sebelah kanan.									

<h2>Pelajari tentang Operasi Pembelajaran Mesin (MLOps)</h2>
Memahami konsep MLOps sangat penting bagi setiap ilmuwan data, insinyur, atau pemimpin untuk mengimplementasikan model pembelajaran mesin dari notebook lokal menjadi model yang berfungsi di lingkungan produksi.
<br><br>
Dalam kursus ini, Anda akan mempelajari apa itu MLOps, memahami fase-fase yang berbeda dalam proses MLOps, dan mengidentifikasi tingkat kematangan MLOps yang berbeda. Setelah memahami konsep-konsep dasar MLOps, Anda akan siap untuk menerapkan machine learning secara berkelanjutan, andal, dan efisien dalam perjalanan Anda.
<br><br>
<h2>Temukan Cara Machine Learning Dapat Diperluas dan Diotomatisasi</h2>
Bagaimana cara kita dapat mengembangkan proyek machine learning kita dengan menggunakan waktu dan sumber daya seminimal mungkin? Dan bagaimana kita dapat mengotomatisasi proses kita untuk mengurangi kebutuhan intervensi manual dan meningkatkan kinerja model? Ini adalah pertanyaan-pertanyaan dasar dalam Machine Learning yang dijawab oleh MLOps.
<br><br>
Dalam kursus MLOps ini, Anda akan memulai dengan mempelajari dasar-dasar MLOps, termasuk fitur inti dan peran yang terkait. Selanjutnya, Anda akan menjelajahi berbagai fase dalam siklus hidup machine learning secara lebih rinci.
<br><br>
Seiring dengan kemajuan Anda, Anda juga akan mempelajari sistem dan alat untuk meningkatkan skalabilitas dan otomatisasi operasi machine learning, termasuk feature stores, pelacakan eksperimen, CI/CD pipelines, microservices, dan containerization. Anda akan mempelajari konsep-konsep utama MLOps, yang akan memberikan pemahaman yang lebih mendalam tentang penerapan-penerapannya.

Understanding Machine Learning

Understanding Data Engineering

Pelajari bagaimana MLOps mengubah model pembelajaran mesin menjadi model produksi yang bernilai bisnis.

Konsep MLOps

Insinyur AI Asisten untuk Ilmuwan Data

Insinyur Pembelajaran Mesin

Penerapan Machine Learning dalam Produksi dalam Python

Dasar-Dasar MLOps

Mengekstrak data mentah dari berbagai sumber dan menyimpannya di satu tempat terpusat.

Memastikan data yang masuk divalidasi sesuai dengan persyaratan kualitas data.

Merancang dan memelihara pipeline data untuk memastikan aliran data yang efisien dan keteraksesan untuk analisis.

Melakukan penalaan hyperparameter untuk memastikan proses pelatihan model teroptimasi.

Menilai kinerja model machine learning sesuai dengan persyaratan kinerja.

Mengembangkan dan menerapkan model machine learning untuk menyelesaikan masalah bisnis tertentu.

Peran inti dalam proses MLOps

Konsep MLOps

Latihan interaktif praktis