Ten rozdział wyposaży cię w umiejętności i wiedzę potrzebne do przeniesienia modeli uczenia maszynowego z fazy badań i rozwoju do środowiska produkcyjnego. Dowiesz się, jak przebiega przejście od prototypu badawczego do niezawodnego, skalowalnego i łatwego w utrzymaniu systemu.

Przyjęcie podejścia MLOps

Co jest kluczowym aspektem MLOps?

Czym jest dług techniczny?

Pisanie łatwego w utrzymaniu kodu ML

Kontrola wersji

Organizacja kodu

Pisanie skutecznej dokumentacji modeli ML

Po co dokumentować metody etykietowania?

Najlepsze praktyki MLOps

Od badań do produkcji

W tym rozdziale poznasz znaczenie reprodukowalności w uczeniu maszynowym oraz sposoby zapewniania, że twoje modele pozostają reprodukowalne i niezawodne w dłuższej perspektywie. Zapoznasz się z różnymi technikami i najlepszymi praktykami, które możesz stosować, aby zagwarantować reprodukowalność modeli.

Projektowanie odtwarzalnych eksperymentów

Reprodukowalność w uczeniu maszynowym

Identyfikowanie kluczowych aspektów odtwarzalności i niezawodności

Opcje

Narzędzia i najlepsze praktyki dla niezawodności

Korzyści z niezawodności

Sortowanie elementów niezawodności

Aspekty odtwarzalności

Praktyki dokumentacyjne

Sortowanie aspektów odtwarzalności i praktyk dokumentacyjnych

Inżynieria cech

Techniki przygotowania danych

Cele inżynierii cech

Klasyfikowanie celów i technik inżynierii cech

Rozpoznawanie technik manipulowania danymi i ich transformacji

Selekcja cech

Wersjonowanie danych i modeli

Magazyn modeli

Wersjonowanie danych treningowych

Wersjonowanie modeli i danych

Projektowanie eksperymentów

Zapewnianie reprodukowalności

W rozdziale 3 przyjrzysz się różnym wyzwaniom związanym z wdrażaniem modeli uczenia maszynowego w środowiskach produkcyjnych. Poznasz różne podejścia do wdrażania modeli ML w produkcji oraz strategie monitorowania i utrzymywania modeli ML w środowisku produkcyjnym.

Pakowanie modeli uczenia maszynowego

Cel serializacji i konteneryzacji

Kolejność pakowania modelu

Skalowalność

Skalowanie

Złożoność modelu

Kategoryzowanie technik skalowania

Automatyzacja

Korzyści z ciągłego dostarczania

Kroki CI/CD

Wdrażanie modeli ML na produkcję

Uczenie maszynowe w środowiskach produkcyjnych

W ostatnim rozdziale dowiesz się, jak testować potoki uczenia maszynowego i sprawdzać, czy działają zgodnie z oczekiwaniami. Zrozumiesz, dlaczego testowanie potoków ML jest tak ważne, i poznasz techniki testowania oraz walidacji potoków ML.

Niezawodność modelu

Kategoryzowanie strategii testowania gotowości i dezaktualizacji potoków ML

Przeciwdziałanie starzeniu się modelu w potokach uczenia maszynowego

Testowanie danych

Wybór odpowiedniego testu

Sprawdzanie spójności

Testowanie modeli

Prognozowanie wartości klienta w czasie

Klasyfikowanie sprawiedliwości

Testowanie potoków uczenia maszynowego

Gratulacje!

Większość treści poświęconych uczeniu maszynowemu skupia się na trenowaniu modeli i dostrajaniu parametrów, ale 90% modeli eksperymentalnych nigdy nie trafia do środowiska produkcyjnego – głównie dlatego, że nie zostały zbudowane z myślą o długotrwałym działaniu. W tym kursie przekonasz się, jak zmiana podejścia z inżynierii uczenia maszynowego na podejście MLOps (Machine Learning Operations) pozwala trenować, dokumentować, utrzymywać i skalować modele w pełni ich możliwości.

Wiele dzisiejszych treści związanych z uczeniem maszynowym koncentruje się na trenowaniu modeli i dostrajaniu parametrów, ale 90% modeli eksperymentalnych nigdy nie trafia do produkcji, głównie dlatego, że nie zostały zbudowane z myślą o trwałości. W tym kursie zobaczysz, jak zmiana podejścia z nastawienia na inżynierię uczenia maszynowego na nastawienie MLOps (Machine Learning Operations) pozwoli Ci trenować, dokumentować, utrzymywać i skalować modele, aby w pełni wykorzystać ich potencjał.
Eksperymentuj i dokumentuj z łatwością
Eksperymentowanie z modelami ML jest często przyjemne, ale może być czasochłonne. Tutaj nauczysz się projektować powtarzalne eksperymenty, aby przyspieszyć ten proces, jednocześnie tworząc dokumentację dla siebie i swojego zespołu, co sprawi, że przyszła praca nad pipeline’em będzie dziecinnie prosta.
Twórz modele MLOps do produkcji
Poznasz najlepsze praktyki pakowania i serializowania zarówno modeli, jak i środowisk do produkcji, aby zapewnić, że modele będą działać jak najdłużej.
Rozwijaj i automatyzuj swoje potoki ML
Biorąc pod uwagę złożoność modelu i danych oraz ciągłą automatyzację, możesz mieć pewność, że Twoje modele będą skalowane do użycia produkcyjnego oraz będą mogły być monitorowane i wdrażane w mgnieniu oka.

Po ukończeniu tego kursu będziesz potrafić projektować i tworzyć modele uczenia maszynowego gotowe do wdrożenia produkcyjnego oraz stale je ulepszać z czasem.

MLOps Concepts

Supervised Learning with scikit-learn

Przejdź na MLOps, aby trenować, dokumentować, utrzymywać i skalować modele ML do pełnego potencjału.

Tworzenie modeli uczenia maszynowego na potrzeby produkcji

Przejdź na podejście MLOps, aby trenować, dokumentować, utrzymywać i skalować modele machine learning do ich pełnego potencjału.

Podstawy MLOps

Selekcja cech

Tworzenie modeli uczenia maszynowego na potrzeby produkcji

Interaktywne ćwiczenie praktyczne