Mai întâi, vei învăța despre caracteristicile de bază ale MLOps. Vei explora ciclul de viață al machine learning, fazele acestuia și rolurile asociate proceselor MLOps.

Ce este MLOps?

Explicând MLOps

Principiile MLOps

Diferite faze în MLOps

Ciclul de viață al modelelor ML

Sarcini pe faze

Roluri în MLOps

Echipa ta MLOps

Roluri principale în procesele MLOps

Introducere în MLOps

În continuare, vei învăța despre faza de design și dezvoltare din ciclul de viață al machine learning. Vei explora estimarea valorii adăugate, calitatea datelor, depozitele de caracteristici și urmărirea experimentelor.

Design MLOps

Identificarea cerințelor de business

Metrici-cheie

Calitatea datelor și ingestia

Identificarea problemelor de calitate a datelor

Dimensiunile calității datelor

Ingineria caracteristicilor

Îmbunătățirea performanței modelului

Ajutorul unui prieten

Urmărirea experimentelor

Ce putem urmări?

Ignorarea urmăririi experimentelor

Design și dezvoltare

În acest capitol, vei aprofunda conceptele relevante pentru implementarea machine learning în producție, cum ar fi mediile de execuție, containerizarea, pipeline-urile CI/CD și strategiile de implementare.

Pregătirea modelului pentru deployment

Medii de execuție

A containeriza sau a nu containeriza

Arhitectura de deployment pentru machine learning

Microserviciu

Fluxul de date prin API

CI/CD și strategia de deployment

Pipeline-uri CI/CD

Strategii de deployment

Automatizare și scalare

Cum contribuie componentele la automatizare și scalare

Componente MLOps

Implementarea Machine Learning în producție

În final, vei învăța despre menținerea machine learning în producție, cu concepte precum monitorizarea statistică și computațională, reantrenarea, diferitele niveluri de maturitate MLOps și instrumentele care pot fi utilizate în cadrul ciclului de viață al machine learning pentru a simplifica procesele.

Monitorizarea modelelor de machine learning

Monitorizarea în machine learning

Opțiuni

Statistică

Computațională

Monitorizare statistică vs. computațională

Reantrenarea unui model de machine learning

Deriva datelor

Deriva conceptuală

Exemple de derivă

Reantrenarea

Niveluri de maturitate MLOps

Maturitatea MLOps

Nivelul 1

Nivelul 2

Nivelul 3

Nivelurile de maturitate MLOps

Instrumente MLOps

Folosirea unui instrument

Containerizarea modelului

Monitorizare

Alege instrumentul potrivit

Recapitulare: concepte MLOps

Menținerea Machine Learning în producție

Course Glossary

Înțelegerea operațiunilor de Machine Learning (MLOps) este esențială pentru orice om de știință al datelor, inginer sau lider care dorește să ducă modele de machine learning dintr-un notebook local la un model funcțional în producție. Acest curs îți prezintă procesele, fazele și nivelurile cheie ale MLOps, inclusiv design-ul, dezvoltarea, implementarea și monitorizarea. Vei descoperi cum automatizarea le permite organizațiilor să lanseze, să monitorizeze și să actualizeze eficient modelele de machine learning.

Videourile conțin transcrieri live pe care le poți afișa făcând clic pe „Afișează transcrierea" în colțul din stânga jos al fiecărui video.									
Glosarul cursului se găsește în dreapta, în secțiunea de resurse.				
					
Pentru a obține credite CPE, trebuie să finalizezi cursul și să obții un scor de 70% la evaluarea calificată. Poți naviga la evaluare făcând clic pe notificarea CPE credits din dreapta.									

<h2>Află despre operațiunile de Machine Learning (MLOps)</h2>
Înțelegerea conceptelor MLOps este esențială pentru orice data scientist, inginer sau lider care dorește să ducă modelele de machine learning de la un notebook local la un model funcțional în producție.
<br><br>
În acest curs, vei învăța ce este MLOps, vei înțelege diferitele faze din procesele MLOps și vei identifica diferite niveluri de maturitate MLOps. După ce vei învăța conceptele esențiale de MLOps, vei fi bine pregătit în parcursul tău de a implementa machine learning în mod continuu, fiabil și eficient.
<br><br>
<h2>Descoperă cum învățarea automată poate fi scalată și automatizată</h2>
Cum putem scala proiectele noastre de machine learning folosind timpul și resursele minime? Și cum putem automatiza procesele noastre pentru a reduce nevoia de intervenție manuală și a îmbunătăți performanța modelului? Acestea sunt întrebări fundamentale despre Machine Learning la care MLOps oferă răspunsurile.
<br><br>
În acest curs de MLOps, vei începe prin a explora elementele de bază ale MLOps, analizând caracteristicile esențiale și rolurile asociate. În continuare, vei explora în mai multe detalii diferitele faze ale ciclului de viață al învățării automate.
<br><br>
Pe măsură ce avansezi, vei învăța și despre sisteme și instrumente care te ajută să scalezi și să automatizezi mai bine operațiunile de machine learning, inclusiv feature stores, urmărirea experimentelor, pipeline-uri CI/CD, microservicii și containerizare. Vei explora conceptele cheie MLOps, oferindu-ți o înțelegere mai solidă a aplicațiilor lor.

Understanding Machine Learning

Understanding Data Engineering

Descoperă cum MLOps transformă modelele de învățare automată în producție, aducând valoare afacerii.

Concepte MLOps

Inginer AI asociat pentru oamenii de știință ai datelor

Inginer de învățare automată

Învățarea automată în producție în Python

Fundamentele MLOps

În 21% din cazuri, modelul prezice în mod eronat că tranzacțiile sunt frauduloase.

În ultimele trei zile, modelul prezice constant că un client va renunța la serviciu cu o probabilitate de 100%.

Aproximativ 55% din datele de intrare provin de la clienți de gen masculin.

În trei ore, modelul a reușit să proceseze 702 cereri.

CPU-ul serverului a fost utilizat doar în proporție de 12% în ultimele săptămâni.

Se pare că modelul a fost offline timp de două ore luni dimineață.

Monitorizare statistică vs. computațională

Concepte MLOps

Exercițiu interactiv practic