Belangrijkste punten van de casestudy

In de laatste video van deze cursus bespraken we een project over het voorspellen van koelwater. Dat project werd gestart naar aanleiding van productielimieten tijdens de hittegolf van 2018 in Europa. Hoewel het over het algemeen succesvol was, bereikten we volgens het Microsoft-model niet de hoogste volwassenheid.

Deze oefening maakt deel uit van de cursus

MLOps voor bedrijven

Interactieve oefening met praktijkervaring

Zet theorie om in actie met een van onze interactieve oefeningen

Deze oefening maakt deel uit van de cursus

MLOps voor bedrijven

SkillTag.level.beginnerSkillTag.label

4.9+

Begin gratis met de cursus

In dit eerste hoofdstuk maak je kennis met MLOps en waarom het nodig is voor bedrijven die meerdere machine learning-toepassingen tegelijk willen ontwerpen, ontwikkelen en beheren. Je leert over de belangrijkste elementen van MLOps, zoals opschalen en automatisering, de voordelen ervan en waarom MLOps toch uitdagend blijft. Ook verken je wat er nodig is om met MLOps te starten, zowel technologisch als organisatorisch.

Exercise 1: Wat is MLOps?Exercise 2: MLOps: een set praktijken om ...Exercise 3: Wat zijn kenmerken van MLOps?Exercise 4: De zakelijke argumenten voor MLOps Exercise 5: Relevante MLOps-velden Exercise 6: Hoe investeer je in MLOps Exercise 7: Redenen om in MLOps te investeren Exercise 8: De basis leggen voor MLOps Exercise 9: MLOps-teamleden Exercise 10: Randvoorwaarden voor MLOps Exercise 11: Elementen van MLOps

In het tweede hoofdstuk leer je over de volledige MLOps-levenscyclus, van ontwerp tot ontwikkeling, uitrol en operatie. Je ontdekt waarom monitoren essentieel is voor productieve machine learning-toepassingen en waarom we machine learning-modellen regelmatig moeten hertrainen.

Exercise 1: MLOps van begin tot eind uitgelegd Exercise 2: Tien belangrijke stappen in de MLOps-levenscyclus Exercise 3: De belangrijkste fasen van een MLOps-toepassing Exercise 4: Belangrijke taken in de hoofdfasen van MLOps Exercise 5: De ontwerpfase Exercise 6: Taken uit de ontwerpfase uitstellen Exercise 7: Blauwdruk voor succes: ontwerp je MLOps-project Exercise 8: De ontwikkelfase Exercise 9: Ontwikkeltaken Exercise 10: Rollen in de ontwikkelfase Exercise 11: Monitoring, opnieuw trainen en vervangen van MLOps-toepassingen Exercise 12: Kenmerken van de MLOps-levenscyclus Exercise 13: Individuele verantwoordelijkheden bij het ontwikkelen van een MLOps-usecase Exercise 14: De MLOps-levenscyclus

In het derde hoofdstuk ga je van theorie naar praktijk en ontdek je de belangrijkste uitdagingen en risico’s bij het uitrollen van machine learning-modellen. Je leert ook hoe MLOps-teams succesvol opereren en wat het management kan doen om het grootschalig inzetten van machine learning te stimuleren.

Exercise 1: Zakelijke uitdagingen en risico’s rond MLOps Exercise 2: Wat maakt MLOps uitdagend?Exercise 3: Traditionele software vs. MLOps Exercise 4: Potentiële MLOps‑bedrijfsrisico’s Exercise 5: Hoe MLOps-teams succesvol opereren Exercise 6: Teams in DevOps-stijl Exercise 7: Uitdagingen bij het implementeren van MLOps Exercise 8: De huidige stand van MLOps Exercise 9: Een onjuiste uitspraak over MLOps Exercise 10: Redenen waarom MLOps uitdagend is

In het laatste hoofdstuk ontdek je hoe je de MLOps-reis van je bedrijf succesvol kunt opstarten door best practices te bespreken en valkuilen te vermijden. Tot slot bekijk je de verschillende niveaus van MLOps-volwassenheid en rond je de cursus af met een praktijkcase over het ontwerpen, ontwikkelen en beheren van een machine learning-toepassing voor kritieke productieprocessen.

Exercise 1: Hoe bedrijven volledig MLOps-ready kunnen worden Exercise 2: Geldige MLOps-KPI’s Exercise 3: Volgorde van deployment-volwassenheid Exercise 4: MLOps-volwassenheid Exercise 5: Best practices en valkuilen voor MLOps Exercise 6: Wat moeten we testen?Exercise 7: (Geen) best practice Exercise 8: MLOps-casestudy: winst verhogen met MLOps Exercise 9: Belangrijkste punten van de casestudy

Huidige oefening

Exercise 10: Afronding