The first chapter will introduce MLOps and why it is necessary for businesses that want to design, develop, and operate multiple machine learning applications simultaneously. You will learn about the main elements of MLOps, such as scaling and automation, its benefits, and why MLOps remain challenging. You will also explore what it takes to start the MLOps journey both from a technological and managerial perspective. 

What is MLOps?

MLOps: a set of practices to ...

What are characteristics of MLOps?

The business arguments for MLOps

Relevant MLOps fields

How to invest in MLOps

Reasons to invest in MLOps

Laying the foundation for MLOps

MLOps team members

Prerequisites of MLOps

Elements of MLOps

Introducing MLOps

In the second chapter, you’ll learn about the entire MLOps life cycle from design to development, deployment, and operations. You’ll explore why monitoring is essential for productive machine learning applications and why we must regularly re-train machine learning models. 

Penjelasan MLOps dari awal hingga akhir

Sepuluh langkah penting dalam siklus hidup MLOps

Opsi

Desain

Pengembangan (Model)

Operasi

Tahapan utama dalam sebuah aplikasi MLOps

Pengembangan

Tugas penting di tahapan utama MLOps

Fase perancangan

Menunda tugas pada fase desain

Cetak Biru untuk Sukses: Merancang Proyek MLOps Anda

Fase pengembangan

Fase Pengembangan MLOps

Tugas pengembangan

Data Engineer

Data Scientist

Software Engineer

Peran dalam fase pengembangan

Pemantauan, pelatihan ulang, dan penggantian aplikasi MLOps

Karakteristik siklus hidup MLOps

Pilihan

Data Scientist / ML Engineer

Tanggung jawab individu dalam mengembangkan use case MLOps

Proses MLOps

Siklus hidup MLOps

The MLOps Life Cycle

In the third chapter, you will move from theory to practice and discover the main challenges and risks of deploying machine learning models. You’ll also learn how MLOps teams successfully operate and what management can do to foster successful scaling machine learning.  

Business challenges and risks related to MLOps

What makes MLOps challenging?

Traditional software vs. MLOps

Potential MLOps business risks

How MLOps teams successfully operate

DevOps-style teams

Challenges to implement MLOps

The state of MLOps today

A false statement about MLOps

Reasons that MLOps is challenging

MLOps: From Theory to Practice

The final chapter will demonstrate how to successfully jumpstart your business's MLOps journey by discussing best practices and pitfalls to avoid. Finally, you’ll examine the different levels of MLOps maturity and conclude the course with a real-life case study about designing, developing, and operating a machine learning application for critical production processes.


How businesses can become fully MLOps ready

Valid MLOps KPIs

Order deployment maturity

MLOps maturity

MLOps best practices and pitfalls

What do we need to test?

(Not) A best practice

MLOps case study: Increasing profits with MLOps

Key points of the case study

Wrap-up

MLOps in the wild


Pelajari konsep dan praktik penting MLOps, seperangkat alat dan teknik yang terus berkembang untuk mengotomatisasi dan menskalakan aplikasi machine learning.

Pengembangan model machine learning dulunya merupakan tugas manual yang memakan waktu, dan sebagian besar model tidak pernah masuk ke produksi. Dengan MLOps, bisnis dapat secara efektif menskalakan dan mengotomatisasi perancangan, pengembangan, dan pengoperasian model machine learning.

Kursus ini akan mengajarkan apa itu MLOps dan bagaimana Anda dapat menggunakannya untuk menjadi perusahaan machine learning yang matang sepenuhnya. Anda akan mempelajari persyaratan untuk MLOps, alat, teknik, dan peran yang terlibat, serta cara menghindari jebakan umum.

Pada akhir kursus, Anda akan memiliki pemahaman mendalam tentang cara merancang, mengembangkan, dan mengoperasikan aplikasi machine learning dalam skala besar dan mampu memaksimalkan dampak machine learning pada bisnis Anda.

<h2>Temukan MLOps untuk Bisnis</h2>
Pelajari konsep dan praktik dasar MLOps, seperangkat alat dan teknik yang sedang berkembang untuk mengotomatisasi dan menskalakan aplikasi machine learning.

Pengembangan model pembelajaran mesin dulunya merupakan tugas manual yang memakan waktu, dan sebagian besar model tidak pernah diterapkan dalam produksi. Dengan MLOps, perusahaan dapat secara efektif menskalakan dan mengotomatisasi desain, pengembangan, dan pengoperasian model pembelajaran mesin.
<h2>Pelajari Cara Menggunakan Operasi Pembelajaran Mesin dalam Bisnis Anda</h2>
Kursus ini akan mengajarkan Anda apa itu MLOps dan bagaimana Anda dapat menggunakannya untuk menjadi perusahaan machine learning yang sepenuhnya matang. Anda akan mempelajari persyaratan untuk MLOps, alat, teknik, dan orang-orang yang terlibat, serta cara menghindari kesalahan umum.

Anda akan memulai dengan mempelajari elemen-elemen utama MLOps dan mengapa hal ini sangat penting bagi bisnis yang ingin merancang, mengembangkan, dan mengoperasikan berbagai aplikasi machine learning.
<h2>Jelajahi Siklus Hidup MLOps</h2>
Selanjutnya, Anda akan menjelajahi seluruh siklus hidup MLOps, mulai dari desain hingga pengembangan, implementasi, dan operasional. Pada Bab 3, Anda akan mempelajari tantangan dan risiko utama dalam penerapan model pembelajaran mesin dalam praktik.

Akhirnya, Anda akan mempelajari praktik terbaik dan studi kasus untuk implementasi MLOps yang sukses di dunia nyata.

Pada akhir kursus ini, Anda akan memiliki pemahaman mendalam tentang cara merancang, mengembangkan, dan mengoperasikan aplikasi machine learning secara besar-besaran, serta mampu memanfaatkan dampak machine learning pada bisnis Anda.


Machine Learning for Business

Pelajari MLOps, alat, dan praktik untuk otomatisasi dan skala aplikasi pembelajaran mesin.

MLOps untuk Bisnis

Pelajari tentang MLOps, termasuk alat dan praktik yang diperlukan untuk mengotomatisasi dan menskalakan aplikasi machine learning.

Mengendalikan biaya penyediaan himpunan data dalam jumlah besar.

Memastikan semua pipeline data bekerja sesuai harapan.

Menilai mengapa model yang dijalankan di produksi menghasilkan keluaran berbeda dari yang diharapkan.

Memberikan justifikasi mengapa deep learning tidak dipertimbangkan.

Memastikan log insiden berjalan dan memicu alarm otomatis.

Memastikan model berfungsi di aplikasi seluler sebagaimana di server.

Menjaga agar kode machine learning mematuhi pedoman kode perusahaan secara menyeluruh.

Tanggung jawab individu dalam mengembangkan use case MLOps

MLOps untuk Bisnis

Latihan interaktif praktis