Eerst leer je over de kernonderdelen van MLOps. Je verkent de machine learning-levenscyclus, de fasen, en de rollen die bij MLOps-processen horen.

Wat is MLOps?

MLOps uitleggen

MLOps-principes

Verschillende fasen in MLOps

De ML-levenscyclus

Taken per fase

Rollen in MLOps

Je MLOps-team

Kernrollen in MLOps-processen

Introductie tot MLOps

Vervolgens leer je over de fase van ontwerp en ontwikkeling in de machine learning-levenscyclus. Je verkent waardeschatting, datakwaliteit, feature stores en het bijhouden van experimenten.

MLOps-ontwerp

Zakelijke vereisten identificeren

Opties

Data scientist

Domeinexpert

Zakelijke stakeholder

Belangrijke kengetallen

Datakwaliteit en data-inname

Datakwaliteit bepalen

Nauwkeurigheid

Volledigheid

Consistentie

Dimensies van datakwaliteit

Feature engineering

Modelprestaties verbeteren

Aanpakken voor feature engineering

Een vriend helpen

Experiment tracking

Wat kunnen we bijhouden?

Experiment tracking overslaan

Ontwerp en ontwikkeling

In dit hoofdstuk duik je in de concepten die relevant zijn voor het uitrollen van machine learning naar productie, zoals runtime-omgevingen, containerization, CI/CD-pijplijnen en uitrolstrategieën.

Model voorbereiden op deployment

Runtime-omgevingen

Containerizen of niet containerizen

Architectuur voor Machine Learning-implementatie

Microservice

API-gegevensstroom

CI/CD en deploystrategie

CI/CD-pijplijnen

Deploymentstrategieën

Automatisering en opschalen

Hoe componenten automatiseren en schalen

MLOps-componenten

Machine learning in productie uitrollen

Tot slot leer je hoe je machine learning in productie onderhoudt, met concepten zoals statistische en computationele monitoring, retraining, verschillende niveaus van MLOps-volwassenheid en tools die binnen de machine learning-levenscyclus gebruikt kunnen worden om processen te vereenvoudigen.

Machine Learning-modellen monitoren

Machine learning monitoren

Statistische vs. computationele monitoring

Een Machine Learning-model hertrainen

Voorbeelden van drift

Hertrainen

Niveaus van MLOps-volwassenheid

MLOps-volwassenheid

MLOps-tools

Een tool gebruiken

Kies het juiste hulpmiddel

Samenvatting: MLOps-concepten

Machine learning in productie onderhouden

Course Glossary

Inzicht in Machine Learning Operations (MLOps) is essentieel voor elke data scientist, engineer of leidinggevende die machine learning-modellen wil brengen van een lokale notebook naar een werkend model in productie. Deze cursus introduceert de belangrijkste processen, fasen en niveaus van MLOps, waaronder ontwerp, ontwikkeling, uitrol en monitoring. Je ontdekt hoe automatisering organisaties in staat stelt om hun machine learning-modellen efficiënt te lanceren, te monitoren en bij te werken.

De video's bevatten live transcripties die je kunt tonen door linksonder in de video's op "Show transcript" te klikken.									
De cursuswoordenlijst vind je rechts in de sectie met bronnen.				
					
Om CPE-credits te verkrijgen, moet je de cursus voltooien en een score van 70% behalen op de gekwalificeerde toets. Je kunt naar de toets navigeren door rechts op de CPE-credits-callout te klikken.									

<h2>Meer info over Machine Learning Operations (MLOps)</h2>
Het snappen van MLOps-concepten is superbelangrijk voor elke datawetenschapper, engineer of leidinggevende om machine learning-modellen van een lokaal notitieboekje om te zetten in een werkend model in productie.
<br><br>
In deze cursus leer je wat MLOps is, krijg je inzicht in de verschillende stappen van MLOps-processen en leer je de verschillende niveaus van MLOps-volwassenheid herkennen. Nadat je de belangrijkste MLOps-concepten hebt geleerd, ben je helemaal klaar om machine learning continu, betrouwbaar en efficiënt te implementeren.
<br><br>
<h2>Ontdek hoe machine learning kan worden opgeschaald en geautomatiseerd</h2>
Hoe kunnen we onze machine learning-projecten opschalen met zo min mogelijk tijd en middelen? En hoe kunnen we onze processen automatiseren om minder handmatig werk te doen en de prestaties van modellen te verbeteren? Dit zijn belangrijke vragen over machine learning waar MLOps de antwoorden op geeft.
<br><br>
In deze MLOps-cursus begin je met het ontdekken van de basis van MLOps, waarbij je kijkt naar de belangrijkste functies en bijbehorende rollen. Vervolgens ga je dieper in op de verschillende fasen van de machine learning-cyclus.
<br><br>
Naarmate je vordert, leer je ook over systemen en tools om machine learning-activiteiten beter te schalen en te automatiseren, zoals feature stores, het volgen van experimenten, CI/CD-pijplijnen, microservices en containerisatie. Je gaat belangrijke MLOps-concepten ontdekken, zodat je beter snapt hoe je ze kunt gebruiken.

Understanding Machine Learning

Understanding Data Engineering

Ontdek hoe MLOps machine learning-modellen van lokale notebooks naar productie kan brengen.

MLOps-concepten

Ontdek hoe MLOps machine learning-modellen van lokale notebooks kan omzetten in werkende modellen in productie die echte bedrijfswaarde opleveren.

AI-ingenieur voor datawetenschappers

Machine Learning Engineer

Machine learning in productie in Python

MLOps Fundamentals

Het lijkt erop dat veel klanten 123456 hebben ingevuld als hun postcode.

Na onderzoek blijkt dat 30% van de waarden onjuist is.

De leeftijd van de klant ontbreekt bij 45% van alle klanten.

Voor één productgroep ontbreekt 60% van de waarden.

In de ene tabel is de 'leeftijd' van de klant de tijd sinds de eerste bestelling; in een andere tabel is het de daadwerkelijke fysieke leeftijd.

Bij vergelijking van twee tabellen zien we dat dezelfde klant-id naar twee verschillende klanten kan verwijzen.

Dimensies van datakwaliteit

MLOps-concepten

Interactieve oefening met praktijkervaring