This chapter will provide you with the skills and knowledge needed to move your machine learning models from the research and development phase into a production environment. You will learn about the process of moving from a research prototype to a reliable, scalable, and maintainable system.

Adopting an MLOps mindset

What is a key aspect of MLOps?

What is technical debt?

Writing maintainable ML code

Version control

Code organization

Writing effective ML documentation

Why document labeling methods?

MLOps best practices

Moving from Research to Production

In this chapter, you’ll learn about the importance of reproducibility in machine learning, and how to ensure that your models remain reproducible and reliable over time. You’ll explore various techniques and best practices that you can use to ensure the reproducibility of your models.

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

 Ensuring Reproducibility

In Chapter 3, you’ll examine the various challenges associated with deploying machine learning models into production environments. You’ll learn about the various approaches to deploying ML models in production and strategies for monitoring and maintaining ML models in production.

Packaging ML models

Goal of serialization and containerization

Model packaging order

Scalability

Scaling

Model complexity

Categorizing scaling techniques

Automation

Benefits of continuous delivery

CI/CD steps

Putting ML models into production

ML in Production Environments

In the final chapter, you’ll learn about the various ways to test machine learning pipelines and ensure they perform as expected. You’ll discover the importance of testing ML pipelines and learn techniques for testing and validating ML pipelines.

Model reliability

Categorizing Testing Strategies for ML Pipeline Readiness and Staleness

Addressing Model Staleness in Machine Learning Pipelines

Testing data

Picking the right test

Consistency check

Testing models

Predicting customer lifetime value

Classifying fairness

Testing machine learning pipelines

Congratulations!

Testing ML Pipelines

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

Registrare le impostazioni dell'esperimento

Annotare codice e impostazioni per ogni esperimento

Garantire ad altri un facile accesso a tutte le informazioni

Ordinare aspetti della riproducibilità e pratiche di documentazione

Sviluppare modelli di Machine Learning per la produzione

Esercizio pratico interattivo