Domeniile relevante pentru MLOps

MLOps este un domeniu multidisciplinar, aflat la intersecția mai multor discipline. Care dintre următoarele nu este un domeniu primar relevant?

Acest exercițiu face parte din cursul

MLOps pentru business

Vezi cursul

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

Acest exercițiu face parte din cursul

MLOps pentru business

SkillTag.level.beginnerSkillTag.label

4.9+

155 reviews

Începe cursul gratuit

Primul capitol introduce MLOps și explică de ce este necesar pentru companiile care doresc să proiecteze, să dezvolte și să opereze simultan mai multe aplicații de machine learning. Vei învăța despre elementele principale ale MLOps, precum scalarea și automatizarea, beneficiile sale și motivele pentru care MLOps rămâne o provocare. Vei explora, de asemenea, ce presupune începerea călătoriei MLOps atât din perspectivă tehnologică, cât și managerială.

Exercise 1: Ce este MLOps?Exercise 2: MLOps: un set de practici pentru ...Exercise 3: Care sunt caracteristicile MLOps?Exercise 4: Argumentele de business pentru MLOps Exercise 5: Domeniile relevante pentru MLOps

Exercițiul curent

Exercise 6: Cum să investești în MLOps Exercise 7: Motive pentru a investi în MLOps Exercise 8: Punând bazele MLOps Exercise 9: Membrii echipei MLOps Exercise 10: Cerințe preliminare pentru MLOps Exercise 11: Elementele MLOps

În al doilea capitol, vei parcurge întregul ciclu de viață MLOps – de la proiectare, la dezvoltare, implementare și operare. Vei descoperi de ce monitorizarea este esențială pentru aplicațiile de machine learning productive și de ce modelele de machine learning trebuie reantrenate periodic.

Exercise 1: MLOps explicat de la capăt la capăt Exercise 2: Zece pași importanți în ciclul de viață MLOps Exercise 3: Etapele principale ale unei aplicații MLOps Exercise 4: Sarcini importante în principalele etape MLOps Exercise 5: Faza de proiectare Exercise 6: Amânarea sarcinilor din faza de design Exercise 7: Planul de succes: Proiectarea unui proiect MLOps Exercise 8: Faza de dezvoltare Exercise 9: Sarcini de dezvoltare Exercise 10: Roluri în faza de dezvoltare Exercise 11: Monitorizarea, re-antrenarea și înlocuirea aplicațiilor MLOps Exercise 12: Caracteristicile ciclului de viață MLOps Exercise 13: Responsabilități individuale în dezvoltarea unui caz de utilizare MLOps Exercise 14: Ciclul de viață MLOps

În al treilea capitol, vei trece de la teorie la practică și vei descoperi principalele provocări și riscuri ale implementării modelelor de machine learning. Vei învăța, de asemenea, cum echipele MLOps funcționează eficient și ce poate face managementul pentru a sprijini scalarea cu succes a machine learning-ului.

Exercise 1: Provocări de business și riscuri legate de MLOps Exercise 2: Ce face MLOps-ul atât de dificil?Exercise 3: Software tradițional vs. MLOps Exercise 4: Riscuri potențiale de business în MLOps Exercise 5: Cum funcționează cu succes echipele MLOps Exercise 6: Echipe de tip DevOps Exercise 7: Provocări în implementarea MLOps Exercise 8: Starea MLOps-ului în prezent Exercise 9: O afirmație falsă despre MLOps Exercise 10: De ce MLOps este dificil

Ultimul capitol îți arată cum să pornești cu succes călătoria MLOps a afacerii tale, discutând cele mai bune practici și capcanele de evitat. Vei examina diferitele niveluri de maturitate MLOps și vei încheia cursul cu un studiu de caz din lumea reală despre proiectarea, dezvoltarea și operarea unei aplicații de machine learning pentru procese critice de producție.

Exercise 1: Cum pot companiile să devină complet pregătite pentru MLOps Exercise 2: KPI-uri MLOps valide Exercise 3: Ordonează maturitatea în deployment Exercise 4: Maturitatea MLOps Exercise 5: Cele mai bune practici și capcane în MLOps Exercise 6: Ce trebuie să testăm?Exercise 7: (Nu) O bună practică Exercise 8: Studiu de caz MLOps: Creșterea profiturilor cu ajutorul MLOps Exercise 9: Punctele-cheie ale studiului de caz Exercise 10: Concluzie