The first chapter will introduce MLOps and why it is necessary for businesses that want to design, develop, and operate multiple machine learning applications simultaneously. You will learn about the main elements of MLOps, such as scaling and automation, its benefits, and why MLOps remain challenging. You will also explore what it takes to start the MLOps journey both from a technological and managerial perspective. 

What is MLOps?

MLOps: a set of practices to ...

What are characteristics of MLOps?

The business arguments for MLOps

Relevant MLOps fields

How to invest in MLOps

Reasons to invest in MLOps

Laying the foundation for MLOps

MLOps team members

Prerequisites of MLOps

Elements of MLOps

Introducing MLOps

In the second chapter, you’ll learn about the entire MLOps life cycle from design to development, deployment, and operations. You’ll explore why monitoring is essential for productive machine learning applications and why we must regularly re-train machine learning models. 

MLOps van begin tot eind uitgelegd

Tien belangrijke stappen in de MLOps-levenscyclus

Opties

Ontwerp

(Model)ontwikkeling

Operations

De belangrijkste fasen van een MLOps-toepassing

Ontwikkeling

Operaties

Belangrijke taken in de hoofd­fasen van MLOps

De ontwerpfase

Taken uit de ontwerpfase uitstellen

Blauwdruk voor succes: ontwerp je MLOps-project

De ontwikkelfase

MLOps-ontwikkelfase

Ontwikkeltaken

Data Engineer

Data Scientist

Software Engineer

Rollen in de ontwikkelfase

Monitoring, opnieuw trainen en vervangen van MLOps-toepassingen

Kenmerken van de MLOps-levenscyclus

Data engineer

Data scientist / ML engineer

Software engineer

Individuele verantwoordelijkheden bij het ontwikkelen van een MLOps-usecase

MLOps-proces

De MLOps-levenscyclus

The MLOps Life Cycle

In the third chapter, you will move from theory to practice and discover the main challenges and risks of deploying machine learning models. You’ll also learn how MLOps teams successfully operate and what management can do to foster successful scaling machine learning.  

Business challenges and risks related to MLOps

What makes MLOps challenging?

Traditional software vs. MLOps

Potential MLOps business risks

How MLOps teams successfully operate

DevOps-style teams

Challenges to implement MLOps

The state of MLOps today

A false statement about MLOps

Reasons that MLOps is challenging

MLOps: From Theory to Practice

The final chapter will demonstrate how to successfully jumpstart your business's MLOps journey by discussing best practices and pitfalls to avoid. Finally, you’ll examine the different levels of MLOps maturity and conclude the course with a real-life case study about designing, developing, and operating a machine learning application for critical production processes.


How businesses can become fully MLOps ready

Valid MLOps KPIs

Order deployment maturity

MLOps maturity

MLOps best practices and pitfalls

What do we need to test?

(Not) A best practice

MLOps case study: Increasing profits with MLOps

Key points of the case study

Wrap-up

MLOps in the wild


Leer de essentiële concepten en praktijken van MLOps, een opkomende set tools en technieken om Machine Learning-toepassingen te automatiseren en op te schalen.

Het ontwikkelen van machine learning-modellen was vroeger een langdurige, handmatige klus, en de meeste modellen haalden de productie niet. Met MLOps kunnen bedrijven het ontwerpen, ontwikkelen en beheren van machine learning-modellen effectief opschalen en automatiseren.

In deze cursus leer je wat MLOps is en hoe je het kunt inzetten om een volledig volwassen machine learning-bedrijf te worden. Je ontdekt wat ervoor nodig is om met MLOps te werken: de tools, technieken en mensen die betrokken zijn, en hoe je veelvoorkomende valkuilen voorkomt.

Aan het einde van de cursus begrijp je grondig hoe je machine learning-toepassingen op schaal ontwerpt, ontwikkelt en beheert, en kun je de impact van machine learning op je bedrijf vergroten.

<h2>Ontdek MLOps voor bedrijven</h2>
Leer de belangrijkste concepten en praktijken van MLOps, een nieuwe set tools en technieken voor het automatiseren en opschalen van machine learning-toepassingen.

Het maken van machine learning-modellen was vroeger een langdurige handmatige klus, en de meeste modellen kwamen nooit in productie. Met MLOps kunnen bedrijven het ontwerp, de ontwikkeling en de werking van machine learning-modellen makkelijk opschalen en automatiseren.
<h2>Leer machine learning-operaties gebruiken in je bedrijf</h2>
In deze cursus leer je wat MLOps is en hoe je het kunt gebruiken om een echt volwassen machine learning-bedrijf te worden. Je leert over de vereisten voor MLOps, de tools, technieken en mensen die erbij betrokken zijn, en hoe je veelvoorkomende valkuilen kunt vermijden.

Je begint met het leren over de belangrijkste dingen van MLOps en waarom het zo belangrijk is voor bedrijven die meerdere machine learning-apps willen ontwerpen, ontwikkelen en gebruiken.
<h2>Ontdek de MLOps-levenscyclus</h2>
Vervolgens ga je de hele MLOps-cyclus bekijken, van ontwerp tot ontwikkeling, implementatie en gebruik. In hoofdstuk 3 leer je over de belangrijkste uitdagingen en risico's van het in de praktijk toepassen van machine learning-modellen.

Tot slot kijk je naar de beste praktijken en casestudy's voor het succesvol implementeren van MLOps in de praktijk.

Aan het einde van de cursus heb je een goed begrip van hoe je machine learning-toepassingen op grote schaal kunt ontwerpen, ontwikkelen en gebruiken, en kun je de impact van machine learning op je bedrijf benutten.


Machine Learning for Business

Ontdek MLOps, inclusief tools en praktijken voor automatisering en opschaling van machine learning.

MLOps voor bedrijven

Kom meer te weten over MLOps, inclusief de tools en methodes die je nodig hebt om machine learning-toepassingen te automatiseren en op te schalen.

De kosten beheersen van het beschikbaar maken van grote hoeveelheden data.

Zorgen dat alle datapijplijnen werken zoals verwacht.

Achterhalen waarom een model dat in productie draait andere resultaten oplevert dan verwacht.

Onderbouwen waarom deep learning niet is overwogen.

Zorgen dat incidentlogs draaien en automatische alarmen triggeren.

Zorgen dat het model in de mobiele app hetzelfde werkt als op de server.

Borgen dat de machine-learningcode voldoet aan de bedrijfsbrede code-richtlijnen.

Individuele verantwoordelijkheden bij het ontwikkelen van een MLOps-usecase

MLOps voor bedrijven

Praktische interactieve oefening