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.

Preparazione del modello per la distribuzione

Ambienti di runtime

Contenere o non contenere

Architettura di distribuzione dell'apprendimento automatico

Microservizi

Processo di richiesta API

Flusso di dati API

CI/CD e strategia di distribuzione

CI/CD pipeline

Opzioni

Distribuzione di base

Distribuzione dell'ombra

Distribuzione dei canarini

Strategie di distribuzione

Automazione e scalabilità

Tracciamento dell'esperimento

Containerizzazione

CI/CD

Come automatizzare e scalare i componenti

Componenti MLOps

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

Comprendere le Machine Learning Operations (MLOps) è essenziale per qualsiasi data scientist, ingegnere o leader che voglia portare i modelli di machine learning da un notebook locale a un modello funzionante in produzione. Questo corso ti introduce ai processi, alle fasi e ai livelli chiave di MLOps, tra cui progettazione, sviluppo, distribuzione e monitoraggio. Scoprirai come l’automazione consenta alle organizzazioni di lanciare, monitorare e aggiornare i propri modelli di machine learning in modo efficiente.

I video includono trascrizioni dal vivo che puoi visualizzare facendo clic su "Show transcript" in basso a sinistra nei video.									
Il glossario del corso è disponibile a destra nella sezione delle risorse.				
					
Per ottenere i crediti CPE devi completare il corso e raggiungere un punteggio del 70% nella valutazione qualificata. Puoi accedere alla valutazione facendo clic sul riquadro dei crediti CPE sulla destra.									

<h2>Scopri le operazioni di Machine Learning (MLOps)</h2>
Comprendere i concetti di MLOps è essenziale per qualsiasi data scientist, ingegnere o leader che voglia portare i modelli di machine learning da un notebook locale a un modello funzionante in produzione.
<br><br>
In questo corso imparerai cos'è MLOps, comprenderai le diverse fasi dei processi MLOps e identificherai i vari livelli di maturità MLOps. Dopo aver acquisito i concetti essenziali di MLOps, sarai pronto a implementare il machine learning in modo continuo, affidabile ed efficiente.
<br><br>
<h2>Scopri come scalare e automatizzare il Machine Learning</h2>
Come possiamo scalare i progetti di machine learning riducendo al minimo tempo e risorse? E come possiamo automatizzare i processi per diminuire l’intervento manuale e migliorare le prestazioni dei modelli? Si tratta di domande fondamentali sul Machine Learning a cui MLOps fornisce una risposta.
<br><br>
In questo corso MLOps inizierai esplorando le basi, analizzando le caratteristiche principali e i ruoli coinvolti. Successivamente, approfondirai le varie fasi del ciclo di vita del machine learning.
<br><br>
Man mano che avanzerai, imparerai anche a conoscere i sistemi e gli strumenti per scalare e automatizzare le operazioni di machine learning, tra cui feature store, tracciamento degli esperimenti, pipeline CI/CD, microservizi e containerizzazione. Esplorerai i concetti chiave di MLOps, consolidando la comprensione delle loro applicazioni.

Understanding Machine Learning

Understanding Data Engineering

Scopri come MLOps porta i modelli di machine learning dalla teoria alla produzione con valore reale.

Concetti di MLOps

Scopri come MLOps porta i modelli di machine learning da notebook locali a modelli funzionanti in produzione con reale valore aziendale.

Ingegnere AI associato per scienziati dei dati

Ingegnere dell'apprendimento automatico

Apprendimento automatico in produzione in Python

Fondamenti di MLOps

Nessun test intermedio: basta sostituire il vecchio modello con il nuovo.

Confronta il nuovo modello con il modello in uso con gli stessi dati.

I modelli vengono eseguiti completamente in parallelo, con il nuovo modello nascosto al pubblico.

Distribuisci gradualmente il nuovo modello a un piccolo gruppo di utenti.

Il nuovo modello non viene utilizzato da tutti gli utenti.

Strategie di distribuzione

Concetti di MLOps

esercizio interattivo pratico