Metadane w MLOps

W poprzednim filmie poznałeś definicję metadanych: są to informacje o wykonaniu poszczególnych komponentów potoku uczenia maszynowego.

W tym ćwiczeniu wybierz opcję, która zawiera przykłady metadanych.

A machine learning pipeline is presented. The pipeline has the following steps: data extraction, data validation, model training, model evaluation, and model validation.

To ćwiczenie jest częścią kursu

W pełni zautomatyzowany MLOps

Zobacz kurs

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

W pełni zautomatyzowany MLOps

SkillTag.level.intermediateSkillTag.label

4.8+

373 reviews

Rozpocznij kurs za darmo

W pierwszym rozdziale poznasz zastosowanie MLOps w środowisku przemysłowym. Dowiesz się, dlaczego MLOps jest ważny dla tworzenia wartości biznesowej. Przypomnisz sobie etapy cyklu ML, ze szczególnym uwzględnieniem tego, jak MLOps je usprawnia. Na końcu rozdziału zapoznasz się z architekturą referencyjną w pełni zautomatyzowanego systemu MLOps. Następnie wykorzystasz tę architekturę do zbadania komponentów istotnych dla każdego systemu MLOps – stanowi ona również punkt wyjścia dla dalszej części kursu.

Exercise 1: Wprowadzenie do w pełni zautomatyzowanego MLOps Exercise 2: Ukryty dług techniczny trzeba spłacić Exercise 3: Ukryty dług techniczny w uczeniu maszynowym jest inny Exercise 4: Etapy cyklu życia MLOps Exercise 5: W pełni zautomatyzowany MLOps Exercise 6: Automatyzować czy nie automatyzować...Exercise 7: Budowanie z myślą o skali Exercise 8: Architektura referencyjna: w pełni zautomatyzowany MLOps Exercise 9: Architektury referencyjne w IT i MLOps Exercise 10: Komponenty architektury MLOps

W tym rozdziale będziesz kontynuować poznawanie kluczowych komponentów w pełni zautomatyzowanego systemu MLOps. Najpierw przyjrzysz się roli orkiestracji w MLOps i temu, jak wpływa ona na wydajność oraz skalowalność potoków ML. Następnie zbadasz różne strategie wdrażania w MLOps i nauczysz się dobierać odpowiednią strategię do swojego systemu. Na koniec poznasz CI/CD/CT/CM i dowiesz się, jak uzupełniają one orkiestrację oraz jakie dobre praktyki pozwalają osiągnąć pełną automatyzację w systemach MLOps. Dzięki tej wiedzy będziesz lepiej przygotowany do budowania w pełni zautomatyzowanych systemów MLOps, które są wydajne, dokładne i niezawodne.

Exercise 1: Automatyczne śledzenie eksperymentów Exercise 2: Co warto śledzić?Exercise 3: Wielka debata o śledzeniu eksperymentów: Po której stronie jesteś?Exercise 4: Co tu właściwie śledzimy?Exercise 5: Rejestr modeli Exercise 6: Nie przerzucaj modelu przez płot!Exercise 7: Cykl życia modelu ML Exercise 8: To zadanie dla rejestru modeli!Exercise 9: Feature store w zautomatyzowanej architekturze MLOps Exercise 10: Zaleta korzystania z magazynu cech Exercise 11: Rola feature store Exercise 12: Magazyn metadanych Exercise 13: Metadane w MLOps

Bieżące ćwiczenie

Exercise 14: Ponowne trenowanie modelu z wykorzystaniem magazynu metadanych Exercise 15: Rola magazynu metadanych w monitorowaniu MLOps

W tym rozdziale zagłębisz się w świat automatyzacji i nauczysz się projektować bardziej odporne i wydajne systemy ML. Zaczniesz od poznania podstaw automatyzacji w systemach MLOps, a następnie odkryjesz możliwości wzorców projektowych i mechanizmów zabezpieczających. Dowiesz się także, jak wdrożyć automatyczne testowanie w systemach MLOps oraz jak wykorzystać strojenie hiperparametrów do optymalizacji modeli i przepływów pracy. Po ukończeniu tego rozdziału będziesz dysponować wiedzą i umiejętnościami potrzebnymi do budowania i zarządzania w pełni zautomatyzowanymi systemami MLOps, które są zarówno wydajne, jak i niezawodne.

Exercise 1: Wprowadzenie do pełnej automatyzacji i najlepszych praktyk w MLOps Exercise 2: Automatyzacja w przepływach pracy MLOps Exercise 3: Poziomy automatyzacji w MLOps Exercise 4: Wzorzec automatyzacji, monitorowania i reagowania na incydenty Exercise 5: Czy to jest wzorzec projektowy?Exercise 6: Ponowne trenowanie, wycofanie czy imputacja?Exercise 7: Automatyczne testowanie w MLOps Exercise 8: Złe dane – złe wyniki... Stosuj testy danych!Exercise 9: Testowanie: tradycyjne vs. MLOps Exercise 10: Testowanie: dane, model i potok Exercise 11: Automatyczne strojenie hiperparametrów Exercise 12: Parametr czy hiperparametr?Exercise 13: Rola strojenia hiperparametrów w MLOps Exercise 14: Automatyzacja strojenia hiperparametrów

W tym ostatnim rozdziale zgłębisz kluczowe komponenty zautomatyzowanej architektury MLOps. Od automatycznego śledzenia eksperymentów i rejestru modeli, przez eksplorację magazynu cech, aż po rolę magazynu metadanych – rozdział ten zapewni ci kompleksowe zrozumienie zawiłości w pełni zautomatyzowanego systemu MLOps. Niezależnie od tego, czy masz już doświadczenie w uczeniu maszynowym, czy dopiero zaczynasz, zdobędziesz tu wiedzę i umiejętności potrzebne do projektowania zautomatyzowanych przepływów pracy MLOps.

Exercise 1: Orkiestracja w MLOps Exercise 2: Dlaczego warto stosować modularyzację?Exercise 3: Orkiestracja: środowisko dev a prod Exercise 4: DAG-i w przepływach pracy MLOps Exercise 5: Aspekty orkiestracji w MLOps Exercise 6: Automatyzacja w strategiach wdrażania MLOps Exercise 7: Jaki to rodzaj wdrożenia?Exercise 8: Czy to właściwa strategia wdrożenia?Exercise 9: Zerowy czas przestoju dzięki wdrożeniu blue/green Exercise 10: CI/CD/CT/CM w pełni zautomatyzowanym MLOps Exercise 11: Jak CI/CD/CT/CM wspiera MLOps?Exercise 12: Ciągłe monitorowanie i ciągłe trenowanie Exercise 13: CI/CD/CT/CM w MLOps Exercise 14: Podsumowanie