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.

Packaging ML models

Goal of serialization and containerization

Model packaging order

Scalability

Scaling

Model complexity

Categorizing scaling techniques

Automation

Benefits of continuous delivery

CI/CD steps

Putting ML models into production

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.

Confiabilidade do modelo

Options

Testing Pipeline Readiness

Testing for Pipeline Staleness

Classificando estratégias de teste para prontidão e obsolescência de pipelines de ML

Combatendo a obsolescência do modelo em pipelines de Machine Learning

Testando dados

Escolhendo o teste certo

Verificação de consistência

Testando modelos

Prevendo o valor do cliente ao longo da vida

Individual Fairness

Group Fairness

Classificando justiça

Opções

Testando o código que produz o modelo

Testando pipelines de machine learning

Parabéns!

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

Verificação de consistência

Desenvolvendo Modelos de Machine Learning para Produção

exercicio interativo prático