Per prima cosa, scoprirai le caratteristiche fondamentali di MLOps. Esplorerai il ciclo di vita del machine learning, le sue fasi e i ruoli associati ai processi MLOps.

Che cos'è MLOps?

Spiegare gli MLOp

Opzioni

Azioni in linea con i principi MLOps

Azioni non in linea con i principi MLOps

Principi MLOps

Le diverse fasi degli MLOp

Il ciclo di vita di ML

Design

Sviluppo

Distribuzione

Compiti per fase

Ruoli negli MLOp

Il tuo team MLOps

Ingegnere dei dati

Scienziato dei dati

Ruoli fondamentali nei processi MLOps

Introduzione a MLOps

Poi passerai alla fase di progettazione e sviluppo nel ciclo di vita del machine learning. Esplorerai la stima del valore aggiunto, la qualità dei dati, i feature store e il tracciamento degli esperimenti.

Progettazione MLOps

Identificazione dei requisiti aziendali

Metriche chiave

Qualità dei dati e ingestione

Determinare la qualità dei dati

Dimensioni della qualità dei dati

Ingegneria delle caratteristiche

Migliorare le prestazioni del modello

Aiutare un amico

Tracciamento dell'esperimento

Cosa possiamo tracciare?

Saltare il tracciamento dell'esperimento

Progettazione e sviluppo

In questo capitolo, approfondirai i concetti rilevanti per distribuire il machine learning in produzione, come ambienti di runtime, containerizzazione, pipeline CI/CD e strategie di distribuzione.

Preparazione del modello per la distribuzione

Ambienti di runtime

Contenere o non contenere

Architettura di distribuzione dell'apprendimento automatico

Microservizi

Flusso di dati API

CI/CD e strategia di distribuzione

CI/CD pipeline

Strategie di distribuzione

Automazione e scalabilità

Come automatizzare e scalare i componenti

Componenti MLOps

Distribuire il Machine Learning in produzione

Infine, vedrai come mantenere il machine learning in produzione, con concetti come monitoraggio statistico e computazionale, retraining, diversi livelli di maturità MLOps e strumenti utilizzabili nel ciclo di vita del machine learning per semplificare i processi.

Monitoraggio dei modelli di apprendimento automatico

Monitoraggio dell'apprendimento automatico

Monitoraggio statistico e computazionale

Riaddestramento di un modello di apprendimento automatico

Esempi di deriva

Riqualificazione

Livelli di maturità MLOps

Scadenza MLOps

Strumenti MLOps

Utilizzo di uno strumento

Scegli lo strumento giusto

Riconoscimento: Concetti MLOps

Mantenere il Machine Learning in produzione

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

Estrarre i dati grezzi da diverse fonti e archiviarli in un luogo centralizzato.

Assicurati che i dati in arrivo siano convalidati secondo i requisiti di qualità dei dati.

Progettare e mantenere le pipeline di dati per garantire un flusso di dati efficiente e l'accessibilità alle analisi.

Esegui la regolazione degli iperparametri per assicurarti che il processo di formazione del modello sia ottimizzato.

Valutare le prestazioni del modello di apprendimento automatico in base ai requisiti di performance.

Sviluppare e implementare modelli di apprendimento automatico per risolvere problemi aziendali specifici.

Ruoli fondamentali nei processi MLOps

Concetti di MLOps

esercizio interattivo pratico