Det här kapitlet ger dig de kunskaper och färdigheter som krävs för att flytta dina maskininlärningsmodeller från forsknings- och utvecklingsfasen till en produktionsmiljö. Du får lära dig om processen att gå från en forskningsprototyp till ett pålitligt, skalbart och underhållbart system.

Att anta ett MLOps-tankesätt

Vad är en viktig aspekt av MLOps?

Vad är teknisk skuld?

Att skriva underhållbar ML-kod

Versionskontroll

Kodorganisation

Att skriva effektiv ML-dokumentation

Varför dokumentera märkningsmetoder?

MLOps bästa praxis

Från forskning till produktion

I det här kapitlet får du lära dig om vikten av reproducerbarhet inom maskininlärning och hur du säkerställer att dina modeller förblir reproducerbara och tillförlitliga över tid. Du utforskar olika tekniker och bästa praxis för att garantera reproducerbarheten hos dina modeller.

Att utforma reproducerbara experiment

Reproducerbarhet inom ML

Identifiera viktiga aspekter för reproducerbarhet och tillförlitlighet

Sortera element för tillförlitlighet

Sortera aspekter av reproducerbarhet och dokumentationspraxis

Särdragskonstruktion

Klassificera mål och tekniker inom feature engineering

Identifiera tekniker för datamanipulering och transformation

Särdragsval

Versions hantering av data och modeller

Modellager

Versionering av träningsdata

Säkerställa reproducerbarhet

Att säkerställa reproducerbarhet

I kapitel 3 undersöker du de olika utmaningar som är förknippade med att driftsätta maskininlärningsmodeller i produktionsmiljöer. Du får lära dig om olika tillvägagångssätt för att driftsätta ML-modeller i produktion samt strategier för att övervaka och underhålla dem.

Paketera ML-modeller

Målet med serialisering och containerisering

Ordning för modellpaketering

Skalbarhet

Skalning

Modellkomplexitet

Kategorisera skalningstekniker

Automatisering

Fördelar med kontinuerlig leverans

CI/CD-steg

Att sätta ML-modeller i produktion

Maskininlärning i produktionsmiljöer

I det sista kapitlet får du lära dig om olika sätt att testa maskininlärningspipelines och säkerställa att de fungerar som förväntat. Du lär dig varför testning av ML-pipelines är viktigt och vilka tekniker som används för att testa och validera dem.

Modellens tillförlitlighet

Alternativ

Testa pipelineberedskap

Testa för föråldring av pipeline

Kategorisera teststrategier för pipelineberedskap och föråldring

Hantera modellföråldring i maskininlärningspipeliner

Testa data

Välj rätt test

Konsistenskontroll

Testa modeller

Förutsäga kunders livstidsvärde

Individuell rättvisa

Grupprättvisa

Klassificera rättvisa

Testa modellproducerande kod

Testa maskininlärningspipelines

Grattis!

Testning av maskininlärningspipelines

Mycket av dagens innehåll om maskininlärning fokuserar på modellträning och parameterinställning, men 90 % av experimentella modeller når aldrig produktion – framför allt för att de inte byggdes för att hålla över tid. I den här kursen får du se hur ett skifte i tankesätt, från maskininlärning till MLOps (Machine Learning Operations), gör det möjligt att träna, dokumentera, underhålla och skala dina modeller till deras fulla potential.

Mycket av dagens innehåll om maskininlärning fokuserar på modellträning och parameterjustering, men 90 % av experimentella modeller når aldrig produktion, främst eftersom de inte byggdes för att hålla. I den här kursen får du se hur ett skifte i ditt tankesätt från ett maskininlärningsingenjörstänk till ett MLOps-tänk (Machine Learning Operations) gör att du kan träna, dokumentera, underhålla och skala dina modeller till deras fulla potential.
Experimentera och dokumentera enkelt
Att experimentera med ML-modeller är ofta roligt, men kan vara tidskrävande. Här lär du dig hur du utformar reproducerbara experiment för att påskynda den här processen, samtidigt som du skriver dokumentation för dig själv och dina teammedlemmar, vilket gör framtida arbete med pipelinen till en enkel match.
Bygg MLOps-modeller för produktion
Du kommer att lära dig bästa praxis för att paketera och serialisera både modeller och miljöer för produktion för att säkerställa att modellerna håller så länge som möjligt.
Skala upp och automatisera dina ML-pipelines
Genom att ta hänsyn till modell- och datakomplexitet samt kontinuerlig automatisering kan du säkerställa att dina modeller skalas för produktionsanvändning och kan övervakas och driftsättas på ett ögonblick.

När du har slutfört den här kursen kommer du att kunna designa och utveckla maskininlärningsmodeller som är redo för produktion och kontinuerligt förbättra dem över tid.

MLOps Concepts

Supervised Learning with scikit-learn

Byt till MLOps-tänk för att träna, dokumentera, underhålla och skala dina ML-modeller optimalt.

Att utveckla maskininlärningsmodeller för produktion

Skifta till ett MLOps-tänk som gör att du kan träna, dokumentera, underhålla och skala dina maskininlärningsmodeller till deras fulla potential.

MLOps-grunder

Samma kreditpoäng och inkomst, men olika räntor

Två kandidater har nästan identiska meriter och erfarenheter, men en avvisas redan i första urvalsomgången medan den andra får jobbet.

En sjukvårdsmodell rekommenderar i mindre utsträckning användbara behandlingar för personer som arbetar inom industrin, med motiveringen att de kan medföra för höga kostnader.

Onlineannonser som visar välbetalda jobbmöjligheter oftare för män än för kvinnor

Lägre noggrannhet för personer med mörkare hudtoner

Polisens användning av ansiktsigenkänningsteknik som är mindre tillförlitlig för vissa grupper av individer, vilket leder till felaktiga gripanden

Klassificera rättvisa

Att utveckla maskininlärningsmodeller för produktion

Interaktiv övning med praktiskt arbete