Na początku poznasz kluczowe elementy MLOps. Przeanalizujesz cykl życia modelu uczenia maszynowego, jego fazy oraz role związane z procesami MLOps.

Czym jest MLOps?

Wyjaśnianie MLOps

Opcje

Działania zgodne z zasadami MLOps

Działania niezgodne z zasadami MLOps

Zasady MLOps

Różne fazy w MLOps

Cykl życia modelu ML

Projektowanie

Rozwój

Wdrożenie

Zadania w poszczególnych fazach

Role w MLOps

Twój zespół MLOps

Inżynier danych

Naukowiec danych

Kluczowe role w procesach MLOps

Wprowadzenie do MLOps

Następnie zapoznasz się z fazą projektowania i rozwoju w cyklu życia modelu uczenia maszynowego. Omówimy szacowanie wartości dodanej, jakość danych, magazyny cech i śledzenie eksperymentów.

Projektowanie MLOps

Identyfikowanie wymagań biznesowych

Kluczowe metryki

Jakość danych i ich pozyskiwanie

Ocena jakości danych

Wymiary jakości danych

Inżynieria cech

Poprawa wydajności modelu

Pomoc przyjacielowi

Śledzenie eksperymentów

Co możemy śledzić?

Pomijanie śledzenia eksperymentów

Projektowanie i rozwój

W tym rozdziale zagłębiasz się w zagadnienia związane z wdrażaniem uczenia maszynowego do produkcji – środowiska uruchomieniowe, konteneryzacja, potoki CI/CD i strategie wdrażania.

Przygotowanie modelu do wdrożenia

Środowiska uruchomieniowe

Konteneryzować czy nie konteneryzować

Architektura wdrożeń uczenia maszynowego

Mikroserwis

Przepływ danych przez API

CI/CD i strategia wdrażania

Potoki CI/CD

Strategie wdrażania

Automatyzacja i skalowanie

Jak komponenty wspierają automatyzację i skalowanie

Komponenty MLOps

Wdrażanie uczenia maszynowego do produkcji

Na koniec nauczysz się, jak utrzymywać modele uczenia maszynowego w środowisku produkcyjnym. Omówimy monitorowanie statystyczne i obliczeniowe, ponowne trenowanie, poziomy dojrzałości MLOps oraz narzędzia wspierające cykl życia modelu.

Monitorowanie modeli uczenia maszynowego

Monitorowanie uczenia maszynowego

Monitorowanie statystyczne a obliczeniowe

Ponowne trenowanie modelu uczenia maszynowego

Przykłady dryftów

Ponowne trenowanie

Poziomy dojrzałości MLOps

Dojrzałość MLOps

Narzędzia MLOps

Wybór narzędzia

Dobierz właściwe narzędzie

Podsumowanie: koncepcje MLOps

Utrzymanie uczenia maszynowego w produkcji

Course Glossary

Znajomość MLOps (Machine Learning Operations) jest niezbędna każdemu data scientistowi, inżynierowi i liderowi, który chce przenieść modele uczenia maszynowego z lokalnego notatnika do środowiska produkcyjnego. Ten kurs wprowadza cię w kluczowe procesy, fazy i poziomy MLOps – projektowanie, rozwój, wdrażanie i monitorowanie. Dowiesz się, jak automatyzacja pozwala organizacjom sprawnie uruchamiać, monitorować i aktualizować modele uczenia maszynowego.

Filmy zawierają transkrypcje na żywo, które możesz wyświetlić, klikając „Pokaż transkrypcję" w lewym dolnym rogu.									
Glosariusz kursu znajdziesz po prawej stronie, w sekcji zasobów.				
					
Aby uzyskać punkty CPE, musisz ukończyć kurs i zdobyć co najmniej 70% punktów w kwalifikowanym egzaminie. Do egzaminu przejdziesz, klikając informację o punktach CPE po prawej stronie.									

<h2>Dowiedz się więcej o operacjach uczenia maszynowego (MLOps)</h2>
Zrozumienie koncepcji MLOps jest niezbędne dla każdego data scientisty, inżyniera lub lidera, aby przenieść modele machine learning z lokalnego notebooka do działającego modelu w środowisku produkcyjnym.
<br><br>
W tym kursie dowiesz się, czym jest MLOps, poznasz różne fazy procesów MLOps i zidentyfikujesz różne poziomy dojrzałości MLOps. Po poznaniu podstawowych koncepcji MLOps będziesz dobrze przygotowany do wdrażania uczenia maszynowego w sposób ciągły, niezawodny i efektywny.
<br><br>
<h2>Odkryj, jak można skalować i automatyzować uczenie maszynowe</h2>
Jak możemy skalować nasze projekty uczenia maszynowego, wykorzystując minimalną ilość czasu i zasobów? A jak możemy zautomatyzować nasze procesy, aby ograniczyć potrzebę ręcznej interwencji i poprawić wydajność modelu? To są podstawowe pytania dotyczące Machine Learning, na które MLOps dostarcza odpowiedzi.
<br><br>
W tym kursie MLOps zaczniesz od poznania podstaw MLOps, przyglądając się kluczowym funkcjom i powiązanym rolom. Następnie poznasz bardziej szczegółowo różne etapy cyklu życia uczenia maszynowego.
<br><br>
W miarę postępów nauczysz się także o systemach i narzędziach, które pomogą lepiej skalować i automatyzować operacje uczenia maszynowego, w tym feature stores, śledzenie eksperymentów, pipeline’y CI/CD, mikroserwisy i konteneryzację. Poznasz kluczowe koncepcje MLOps, co pozwoli Ci lepiej zrozumieć ich zastosowania.

Understanding Machine Learning

Understanding Data Engineering

Odkryj, jak MLOps przenosi modele uczenia maszynowego z notatników do produkcji, tworząc wartość.

Koncepcje MLOps

Odkryj, jak MLOps przenosi modele machine learning z lokalnych notebooków do działających modeli w produkcji, które generują realną wartość biznesową.

Inżynier AI Associate dla Data Scientistów

Inżynier uczenia maszynowego

Uczenie maszynowe w produkcji w Pythonie

Podstawy MLOps

Wdrożenie kontroli wersji zarówno dla danych, jak i kodu modelu, aby zapewnić odtwarzalność i możliwość śledzenia zmian.

Ustanowienie systemu ciągłego monitorowania wydajności modelu w środowisku produkcyjnym.

Skonfigurowanie zautomatyzowanych potoków testowania i walidacji modeli przed wdrożeniem produkcyjnym.

Poleganie wyłącznie na ręcznych procesach wdrożenia przy każdej zmianie modelu, w celu zachowania pełnej kontroli.

Całkowite oddzielenie zespołu data science od zespołu operacyjnego, aby uniknąć nieporozumień.

Przeprowadzanie długotrwałego, ręcznego przeglądu przy każdej aktualizacji modelu przed wdrożeniem.

Zasady MLOps

Koncepcje MLOps

Interaktywne ćwiczenie praktyczne