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.

Preparing model for deployment

Runtime environments

To containerize or not to containerize

Machine learning deployment architecture

Microservice

API data flow

CI/CD and deployment strategy

CI/CD pipelines

Deployment strategies

Automation and scaling

How components automate and scale

MLOps components

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.

Machine Learning-modellen monitoren

Machine learning monitoren

Opties

Statistisch

Computationeel

Statistische vs. computationele monitoring

Een Machine Learning-model hertrainen

Data drift

Concept drift

Voorbeelden van drift

Hertrainen

Niveaus van MLOps-volwassenheid

MLOps-volwassenheid

Niveau 1

Niveau 2

Niveau 3

MLOps-tools

Een tool gebruiken

Experimenten bijhouden

Modelcontainerization

Monitoring

Kies het juiste hulpmiddel

Samenvatting: MLOps-concepten

Maintaining Machine Learning in Production

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

In 21% van de gevallen voorspelt het model onterecht dat transacties frauduleus zijn.

De afgelopen drie dagen voorspelt het model constant dat een klant met een kans van 100% zal churnen.

Ongeveer 55% van de binnenkomende gegevens is van mannelijke klanten.

In drie uur tijd heeft het model 702 verzoeken kunnen verwerken.

De CPU van de server is de afgelopen week slechts voor 12% gebruikt.

Het model lijkt maandagmorgen twee uur offline te zijn geweest.

Statistische vs. computationele monitoring

MLOps-concepten

Praktische interactieve oefening