This chapter will provide you with the skills and knowledge needed to move your machine learning models from the research and development phase into a production environment. You will learn about the process of moving from a research prototype to a reliable, scalable, and maintainable system.

Adopting an MLOps mindset

What is a key aspect of MLOps?

What is technical debt?

Writing maintainable ML code

Version control

Code organization

Writing effective ML documentation

Why document labeling methods?

MLOps best practices

Moving from Research to Production

In this chapter, you’ll learn about the importance of reproducibility in machine learning, and how to ensure that your models remain reproducible and reliable over time. You’ll explore various techniques and best practices that you can use to ensure the reproducibility of your models.

Designing reproducible experiments

ML reproducibility

Identifying Key Aspects for Reproducibility and Reliability

Sorting Reliability Elements

Sorting Aspects of Reproducibility and Documentation Practices

Feature engineering

Classifying Feature Engineering Goals & Techniques

Identifying Data Manipulation and Transformation Techniques

Feature selection

Data and model versioning

Model store

Versioning training data

Ensuring reproducibility

 Ensuring Reproducibility

In Chapter 3, you’ll examine the various challenges associated with deploying machine learning models into production environments. You’ll learn about the various approaches to deploying ML models in production and strategies for monitoring and maintaining ML models in production.

Empacotando modelos de ML

Objetivo da serialização e conteinerização

Pipeline de empacotamento de modelo

Ordem de empacotamento do modelo

Escalabilidade

Escalonamento

Opções

Abordando a complexidade do modelo

Abordando as restrições de computação

Complexidade do modelo

Estratégias de escalabilidade

Escalabilidade horizontal

Escalabilidade vertical

Auto scaling

Categorizando técnicas de escalabilidade

Automação

Benefícios de continuous delivery

Pipeline de CI/CD/CM/CT

Etapas de CI/CD

Preparando um modelo para implantação

Automação do pipeline

Colocando modelos de ML em produção

ML in Production Environments

In the final chapter, you’ll learn about the various ways to test machine learning pipelines and ensure they perform as expected. You’ll discover the importance of testing ML pipelines and learn techniques for testing and validating ML pipelines.

Model reliability

Categorizing Testing Strategies for ML Pipeline Readiness and Staleness

Addressing Model Staleness in Machine Learning Pipelines

Testing data

Picking the right test

Consistency check

Testing models

Predicting customer lifetime value

Classifying fairness

Testing machine learning pipelines

Congratulations!

Testing ML Pipelines

Muito do conteúdo atual sobre Machine Learning foca em treinamento de modelos e ajuste de parâmetros, mas 90% dos modelos experimentais nunca chegam à produção, principalmente porque não foram construídos para durar. Neste curso, você vai ver como mudar sua mentalidade de engenharia de Machine Learning para MLOps (Machine Learning Operations) permite treinar, documentar, manter e escalar seus modelos ao máximo potencial.

Grande parte do conteúdo atual sobre machine learning foca no treinamento de modelos e no ajuste de parâmetros, mas 90% dos modelos experimentais nunca chegam à produção, principalmente porque não foram feitos para durar. Neste curso, você vai ver como mudar sua mentalidade de engenharia de machine learning para uma mentalidade de MLOps (Operações de Aprendizado de Máquina) vai te ajudar a treinar, documentar, manter e escalar seus modelos para atingir todo o seu potencial.
Experimente e documente com facilidade
Experimentar modelos de ML costuma ser divertido, mas pode ser demorado. Aqui, você vai aprender a criar experimentos que podem ser repetidos pra agilizar esse processo enquanto escreve a documentação pra você e seus colegas de equipe, facilitando o trabalho futuro no pipeline.
Crie modelos MLOps para produção
Você vai aprender as melhores práticas para empacotar e serializar modelos e ambientes para produção, garantindo que os modelos durem o máximo possível.
Amplie e automatize seus pipelines de ML
Ao pensar na complexidade dos modelos e dos dados e na automação contínua, você pode garantir que seus modelos serão dimensionados para uso em produção e poderão ser monitorados e implantados rapidinho.

Depois de concluir este curso, você vai conseguir projetar e desenvolver modelos de machine learning prontos para produção e melhorá-los continuamente ao longo do tempo.

MLOps Concepts

Supervised Learning with scikit-learn

Adote uma mentalidade MLOps para treinar, documentar, manter e escalar seus modelos de machine learning.

Desenvolvendo Modelos de Machine Learning para Produção

Mude para uma mentalidade MLOps, que permite treinar, documentar, manter e dimensionar seus modelos de machine learning para atingir seu potencial máximo.

MLOps Fundamentals

Objetivo da serialização e conteinerização

Desenvolvendo Modelos de Machine Learning para Produção

exercicio interativo prático