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

Zasady MLOps

Różne fazy w MLOps

Cykl życia modelu ML

Zadania w poszczególnych fazach

Role w MLOps

Twój zespół MLOps

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

Opcje

Statystyczne

Obliczeniowe

Monitorowanie statystyczne a obliczeniowe

Ponowne trenowanie modelu uczenia maszynowego

Dryft danych

Dryft konceptualny

Przykłady dryftów

Ponowne trenowanie

Poziomy dojrzałości MLOps

Dojrzałość MLOps

Poziom 1

Poziom 2

Poziom 3

Narzędzia MLOps

Wybór narzędzia

Konteneryzacja modelu

Monitorowanie

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

Brak ciągłej integracji i ciągłego dostarczania.

Rozdzielenie zespołów uczenia maszynowego i operacji.

Eksperymenty z uczeniem maszynowym są rozwijane automatycznie, ale wdrożenie odbywa się ręcznie.

Modele uczenia maszynowego są rozwijane automatycznie, ale ich przekazanie do wdrożenia wymaga ręcznej interwencji.

Konfiguracja CI/CD automatyzująca budowanie, testowanie i wdrażanie modeli uczenia maszynowego.

Monitorowanie modelu uczenia maszynowego na produkcji oraz automatyczne wyzwalacze ponownego trenowania modelu.

Poziomy dojrzałości MLOps

Koncepcje MLOps

Interaktywne ćwiczenie praktyczne