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.

What is MLOps?

Explaining MLOps

MLOps principles

Different phases in MLOps

The ML lifecycle

Tasks per phase

Roles in MLOps

Your MLOps team

Core roles in MLOps processes

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.

Memantau model Machine Learning

Pemantauan machine learning

Options

Statistical

Computational

Pemantauan statistik vs. komputasional

Melatih ulang model Machine Learning

Opsi

Data drift

Concept drift

Contoh drift

Pelatihan ulang

Tingkat kematangan MLOps

Level 1

Level 2

Level 3

Alat MLOps

Menggunakan sebuah alat

Pelacakan eksperimen

Kontainerisasi model

Pemantauan

Pilih alat yang tepat

Rekap: Konsep MLOps

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

Dalam 21% kasus, model secara keliru memprediksi bahwa transaksi bersifat penipuan.

Selama tiga hari terakhir, model terus-menerus memprediksi bahwa seorang pelanggan akan churn dengan probabilitas 100%.

Sekitar 55% data yang masuk berasal dari pelanggan laki-laki.

Dalam tiga jam, model dapat memproses 702 permintaan.

CPU server hanya digunakan 12% selama seminggu terakhir.

Model tampaknya tidak aktif selama dua jam pada Senin pagi.

Pemantauan statistik vs. komputasional

Konsep MLOps

Latihan interaktif praktis