Questo capitolo ti fornirà le competenze e le conoscenze necessarie per portare i tuoi modelli di Machine Learning dalla fase di ricerca e sviluppo a un ambiente di produzione. Imparerai come passare da un prototipo di ricerca a un sistema affidabile, scalabile e manutenibile.

Adottare una mentalità MLOps

Qual è un aspetto chiave dell’MLOps?

Che cos'è il debito tecnico?

Scrivere codice di ML mantenibile

Controllo versione

Organizzazione del codice

Scrivere documentazione ML efficace

Perché documentare i metodi di labeling?

Best practice di MLOps

Dalla ricerca alla produzione

In questo capitolo scoprirai l’importanza della riproducibilità nel Machine Learning e come fare in modo che i tuoi modelli restino riproducibili e affidabili nel tempo. Esplorerai diverse tecniche e buone pratiche che puoi utilizzare per garantire la riproducibilità dei tuoi modelli.

Progettare esperimenti riproducibili

Riproducibilità in ML

Individuare gli aspetti chiave per riproducibilità e affidabilità

Opzioni

Strumenti e buone pratiche per l’affidabilità

Benefici dell’affidabilità

Ordinare gli elementi di affidabilità

Aspetti della riproducibilità

Pratiche di documentazione

Ordinare aspetti della riproducibilità e pratiche di documentazione

Feature engineering

Tecniche di preparazione dei dati

Obiettivi della feature engineering

Classificare obiettivi e tecniche di Feature Engineering

Individuare tecniche di manipolazione e trasformazione dei dati

Selezione delle feature

Versioning di dati e modelli

Model store

Versionare i dati di training

Versionamento di modelli/dati

Feature Engineering

Progettazione degli esperimenti

Garantire la riproducibilità

Nel Capitolo 3 esaminerai le varie sfide legate al deployment dei modelli di Machine Learning negli ambienti di produzione. Imparerai i diversi approcci per distribuire modelli di ML in produzione e le strategie per monitorare e mantenere i modelli di ML in produzione.

Impacchettare i modelli di ML

Obiettivo di serializzazione e containerizzazione

Ordine del packaging del modello

Scalabilità

Complessità del modello

Classificare le tecniche di scaling

Automazione

Vantaggi della Continuous Delivery

Passaggi CI/CD

Mettere i modelli di ML in produzione

ML negli ambienti di produzione

Nel capitolo finale apprenderai i diversi modi per testare le pipeline di Machine Learning e verificare che si comportino come previsto. Scoprirai l’importanza del testing delle pipeline di ML e imparerai tecniche per testare e validare le pipeline di ML.

Affidabilità del modello

Classificare le strategie di testing per la prontezza e l’obsolescenza della pipeline di ML

Affrontare l'obsolescenza del modello nelle pipeline di Machine Learning

Test dei dati

Scegliere il test giusto

Verifica di coerenza

Testare i modelli

Prevedere il customer lifetime value

Classificare la fairness

Testare le pipeline di machine learning

Complimenti!

Testare le pipeline di ML

Gran parte dei contenuti sul Machine Learning oggi si concentra sull’addestramento dei modelli e sulla messa a punto dei parametri, ma il 90% dei modelli sperimentali non arriva mai in produzione, soprattutto perché non sono progettati per durare. In questo corso vedrai come passare da una mentalità di machine learning engineering a una mentalità MLOps (Machine Learning Operations) ti permetta di addestrare, documentare, mantenere e scalare i tuoi modelli al massimo del loro potenziale.

Gran parte dei contenuti attuali sul machine learning si concentra sull'addestramento dei modelli e sulla regolazione dei parametri, ma il 90% dei modelli sperimentali non arriva mai alla produzione, soprattutto perché non sono stati progettati per durare nel tempo. In questo corso scoprirai come cambiare il tuo modo di pensare, passando da un approccio ingegneristico al machine learning a uno MLOps (Machine Learning Operations), ti permetterà di addestrare, documentare, mantenere e scalare i tuoi modelli al massimo delle loro potenzialità.
Sperimenta e documenta con facilità
Provare i modelli ML è spesso divertente, ma può richiedere un sacco di tempo. Qui imparerai come progettare esperimenti che si possono ripetere per velocizzare questo processo mentre scrivi la documentazione per te e i tuoi colleghi, rendendo il lavoro futuro sulla pipeline un gioco da ragazzi.
Crea modelli MLOps per la produzione
Imparerai le migliori pratiche per il packaging e la serializzazione sia dei modelli che degli ambienti di produzione, per garantire che i modelli durino il più a lungo possibile.
Scala e automatizza le tue pipeline ML
Tenendo conto della complessità dei modelli e dei dati e dell'automazione continua, puoi assicurarti che i tuoi modelli siano scalabili per l'uso in produzione e possano essere monitorati e implementati in un batter d'occhio.

Una volta finito questo corso, potrai progettare e sviluppare modelli di machine learning pronti per essere usati e migliorarli sempre di più nel tempo.

MLOps Concepts

Supervised Learning with scikit-learn

Adotta una mentalità MLOps per ottimizzare e scalare i tuoi modelli di machine learning.

Sviluppare modelli di Machine Learning per la produzione

Fondamenti di MLOps

Versionare i dati di training

Sviluppare modelli di Machine Learning per la produzione

esercizio interattivo pratico