Właściwości potoku budowania modelu

W poprzednim filmie poznałeś(-aś) wiele zadań potoku budowania modelu.

Które z poniższych stwierdzeń są prawdziwe?

To ćwiczenie jest częścią kursu

Wdrażanie i cykl życia modeli MLOps

Zobacz kurs

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Wdrażanie i cykl życia modeli MLOps

SkillTag.level.advancedSkillTag.label

4.8+

906 reviews

Rozpocznij kurs za darmo

Ten rozdział zawiera ogólny przegląd zasad MLOps oraz komponentów frameworka istotnych dla wdrażania modeli i zarządzania ich cyklem życia.

Exercise 1: Nowoczesny framework MLOps Exercise 2: Procesy ML Exercise 3: Korzyści z MLOps Exercise 4: Etapy cyklu życia modelu Exercise 5: Aplikacja a model Exercise 6: Wycofanie modelu Exercise 7: Cykl życia modelu: podsumowanie Exercise 8: Komponenty MLOps Exercise 9: Zautomatyzowana sekwencja Exercise 10: Magazyny i rejestry Exercise 11: DevOps czy MLOps?

Ten rozdział poświęcony jest wszystkim kwestiom, które warto uwzględnić już na etapie programowania, aby zapewnić płynne przejście do operacji. Naszym głównym celem jest wyjaśnienie, jak trenować model zgodnie z najlepszymi praktykami MLOps oraz jak zbudować pakiet modelu umożliwiający sprawne wdrożenie, odtwarzalność i monitorowanie po wdrożeniu.

Exercise 1: Rozwój zorientowany na wdrożenie Exercise 2: Testowanie modelu uczenia maszynowego Exercise 3: Najlepszy moment na rozpoczęcie wdrożenia Exercise 4: Profilowanie, wersjonowanie i magazyny cech Exercise 5: Właściwości magazynu cech Exercise 6: Korzyści z profilowania i magazynów cech Exercise 7: Zapewnianie odtwarzalności Exercise 8: Potoki budowania modeli w CI/CD Exercise 9: Różne potoki Exercise 10: Właściwości potoku budowania modelu

Bieżące ćwiczenie

Exercise 11: Integracja z CI/CD Exercise 12: Pakowanie modelu Exercise 13: Formaty modeli Exercise 14: Kompletny pakiet

Ten rozdział odpowiada na kluczowe pytania dotyczące operacji na modelach, takie jak: - Jakie są różne sposoby serwowania modeli? - Czym jest API i jakie są jego główne funkcjonalności? - Jak dokładnie przetestować serwis przed udostępnieniem go użytkownikom końcowym? - Jak aktualizować modele w środowisku produkcyjnym bez przerywania działania serwisu? Poznasz predykcję wsadową, predykcję w czasie rzeczywistym, walidację danych wejściowych i wyjściowych, testy jednostkowe, testy integracyjne, wdrożenie kanaryjne i wiele więcej.

Exercise 1: Tryby serwowania modeli Exercise 2: Offline czy online?Exercise 3: Kiedy czas ma znaczenie – ale nie aż tak Exercise 4: Budowanie API Exercise 5: Klient-serwer Exercise 6: Funkcjonalności API Exercise 7: Wdrażanie – postęp i testowanie Exercise 8: Który to test?Exercise 9: Kolejność środowisk Exercise 10: Testy w poszczególnych środowiskach Exercise 11: Strategie wdrażania modeli Exercise 12: Dobór strategii wdrożenia Exercise 13: Kolejność ryzyka Exercise 14: Cień cienia

Ten ostatni rozdział poświęcony jest monitorowaniu i utrzymaniu serwisów ML po ich wdrożeniu, a także zarządzaniu modelami. Omówisz kluczowe pojęcia, takie jak opóźnienie weryfikacji, przesunięcie kowariancji, dryfowanie konceptu, systemy z człowiekiem w pętli i wiele innych.

Exercise 1: Monitorowanie usług uczenia maszynowego Exercise 2: Covariate shift a concept drift Exercise 3: Opóźnienie weryfikacji Exercise 4: Już?Exercise 5: Monitorowanie i alerty Exercise 6: System monitorowania Exercise 7: Alerty Exercise 8: Utrzymanie modelu Exercise 9: Podejście skoncentrowane na danych vs. na modelu Exercise 10: Człowiek w pętli Exercise 11: Zarządzanie modelami Exercise 12: Elementy zarządzania modelem Exercise 13: Etapy zarządzania modelami Exercise 14: Klasyfikacja ryzyka Exercise 15: Podsumowanie