Garantindo reprodutibilidade

Você já sabe como garantir a reprodutibilidade no seu ciclo de vida de MLOps de várias maneiras. Você pode implantar serviços para armazenar, manter e reportar sobre features. Pode também desenhar experimentos de machine learning eficazes e manipular suas features para maximizar a eficiência do modelo e reduzir a latência em produção.

Para ser realmente eficaz, você precisa lembrar as melhores práticas de reprodutibilidade. Hora de colocar esse conhecimento à prova!

Este exercício faz parte do curso

Desenvolvendo Modelos de Machine Learning para Produção

Exercício interativo prático

Transforme a teoria em ação com um de nossos exercícios interativos

Começar o exercício

Este exercício faz parte do curso

Desenvolvendo Modelos de Machine Learning para Produção

IntermediárioNível de habilidade

4.8+

Iniciar curso de graça

Este capítulo vai fornecer as habilidades e o conhecimento necessários para levar seus modelos de Machine Learning da fase de pesquisa e desenvolvimento para um ambiente de produção. Você vai aprender sobre o processo de transformar um protótipo de pesquisa em um sistema confiável, escalável e de fácil manutenção.

Exercise 1: Adotando uma mentalidade de MLOps Exercise 2: Qual é um aspecto fundamental de MLOps?Exercise 3: O que é dívida técnica?Exercise 4: Escrevendo código de ML sustentável Exercise 5: Controle de versão Exercise 6: Organização de código Exercise 7: Escrevendo documentação de ML eficiente Exercise 8: Por que documentar métodos de rotulagem?Exercise 9: Melhores práticas de MLOps

Neste capítulo, você vai aprender sobre a importância da reprodutibilidade em Machine Learning e como garantir que seus modelos continuem reprodutíveis e confiáveis ao longo do tempo. Você vai explorar várias técnicas e boas práticas que podem ser usadas para assegurar a reprodutibilidade dos seus modelos.

Exercise 1: Projetando experimentos reproduzíveis Exercise 2: Reprodutibilidade em ML Exercise 3: Identificando aspectos essenciais para reprodutibilidade e confiabilidade Exercise 4: Classificando elementos de confiabilidade Exercise 5: Organizando Aspectos de Reprodutibilidade e Práticas de Documentação Exercise 6: Engenharia de features Exercise 7: Classificando objetivos e técnicas de Feature Engineering Exercise 8: Identificando técnicas de manipulação e transformação de dados Exercise 9: Seleção de variáveis (feature selection)Exercise 10: Versionamento de dados e modelos Exercise 11: Model store Exercise 12: Versionamento de dados de treino Exercise 13: Garantindo reprodutibilidade

Exercício atual

No Capítulo 3, você vai analisar os diversos desafios associados à implantação de modelos de Machine Learning em ambientes de produção. Você vai aprender sobre as diferentes abordagens para implantar modelos de ML em produção e estratégias para monitorar e manter modelos de ML em produção.

Exercise 1: Empacotando modelos de ML Exercise 2: Objetivo da serialização e conteinerização Exercise 3: Ordem de empacotamento do modelo Exercise 4: Escalabilidade Exercise 5: Escalonamento Exercise 6: Complexidade do modelo Exercise 7: Categorizando técnicas de escalabilidade Exercise 8: Automação Exercise 9: Benefícios de continuous delivery Exercise 10: Etapas de CI/CD Exercise 11: Colocando modelos de ML em produção

No capítulo final, você vai aprender sobre as várias formas de testar pipelines de Machine Learning e garantir que tenham o desempenho esperado. Você vai descobrir a importância de testar pipelines de ML e conhecer técnicas para testar e validar pipelines de ML.

Exercise 1: Confiabilidade do modelo Exercise 2: Classificando estratégias de teste para prontidão e obsolescência de pipelines de ML Exercise 3: Combatendo a obsolescência do modelo em pipelines de Machine Learning Exercise 4: Testando dados Exercise 5: Escolhendo o teste certo Exercise 6: Verificação de consistência Exercise 7: Testando modelos Exercise 8: Prevendo o valor do cliente ao longo da vida Exercise 9: Classificando justiça Exercise 10: Testando pipelines de machine learning Exercise 11: Parabéns!