Här lär du dig om grundläggande egenskaper hos MLOps. Du utforskar maskininlärningens livscykel, dess faser och de roller som är kopplade till MLOps-processer.

Vad är MLOps?

Förklara MLOps

Alternativ

Åtgärder i linje med MLOps-principer

Åtgärder som inte följer MLOps-principer

MLOps-principer

Olika faser i MLOps

Maskininlärningens livscykel

Design

Utveckling

Driftsättning

Uppgifter per fas

Roller inom MLOps

Ditt MLOps-team

Dataingenjör

Datavetare

Kärnroller i MLOps-processer

Introduktion till MLOps

Därefter lär du dig om design- och utvecklingsfasen i maskininlärningens livscykel. Du utforskar värdeuppskattning, datakvalitet, särdragslager och experimentspårning.

MLOps-design

Identifiera affärskrav

Viktiga mätvärden

Datakvalitet och datainmatning

Bedöma datakvalitet

Datakvalitetsdimensioner

Särdragshantering

Förbättra modellens prestanda

Hjälp en kollega

Experimentspårning

Vad kan vi spåra?

Att hoppa över experimentspårning

Design och utveckling

I det här kapitlet fördjupar du dig i de koncept som är relevanta för att driftsätta maskininlärning i produktion, till exempel körningsmiljöer, containerisering, CI/CD-pipelines och driftsättningsstrategier.

Förbereda modellen för driftsättning

Körningsmiljöer

Att containerisera eller inte containerisera

Driftsättningsarkitektur för maskininlärning

Mikrotjänst

API:ets dataflöde

CI/CD och driftsättningsstrategi

CI/CD-pipelines

Driftsättningsstrategier

Automatisering och skalning

Hur komponenter automatiserar och skalar

MLOps-komponenter

Att driftsätta maskininlärning i produktion

Avslutningsvis lär du dig om att underhålla maskininlärning i produktion – med koncept som statistisk och beräkningsmässig övervakning, omträning, olika nivåer av MLOps-mognad och verktyg som kan användas inom maskininlärningens livscykel för att förenkla processer.

Övervakning av maskininlärningsmodeller

Övervakning av maskininlärning

Statistisk vs. beräkningsmässig övervakning

Omträning av en maskininlärningsmodell

Exempel på drift

Omträning

Nivåer av MLOps-mognad

MLOps-mognad

MLOps-mognadsnivåer

MLOps-verktyg

Att använda ett verktyg

Välj rätt verktyg

Sammanfattning: MLOps-koncept

Att underhålla maskininlärning i produktion

Course Glossary

Att förstå Machine Learning Operations (MLOps) är avgörande för alla datavetare, ingenjörer och ledare som vill ta maskininlärningsmodeller från en lokal notebook till en fungerande modell i produktion. Den här kursen introducerar dig till de viktigaste processerna, faserna och nivåerna inom MLOps – inklusive design, utveckling, driftsättning och övervakning. Du får se hur automatisering gör det möjligt för organisationer att effektivt lansera, övervaka och uppdatera sina maskininlärningsmodeller.

Videorna innehåller direkttextning som du kan visa genom att klicka på "Visa transkript" längst ned till vänster i videospelaren.									
Kursens ordlista finns till höger i resurssektionen.				
					
För att erhålla CPE-poäng behöver du genomföra kursen och uppnå minst 70 % på den kvalificerade bedömningen. Du når bedömningen via CPE-poänglänken till höger.									

<h2>Lär dig om Machine Learning Operations (MLOps)</h2>
Att förstå MLOps-koncept är avgörande för alla data scientists, ingenjörer eller ledare som vill ta maskininlärningsmodeller från en lokal notebook till en fungerande modell i produktion.
<br><br>
I den här kursen lär du dig vad MLOps är, förstår de olika faserna i MLOps-processer och identifierar olika nivåer av MLOps-mognad. Efter att ha lärt dig de viktigaste MLOps-koncepten kommer du att vara väl rustad på din resa mot att implementera maskininlärning kontinuerligt, tillförlitligt och effektivt.
<br><br>
<h2>Upptäck hur maskininlärning kan skalas och automatiseras</h2>
Hur kan vi skala upp våra maskininlärningsprojekt med minsta möjliga tid och resurser? Och hur kan vi automatisera våra processer för att minska behovet av manuella insatser och förbättra modellprestandan? Det här är grundläggande frågor inom Machine Learning som MLOps ger svar på.
<br><br>
I denna MLOps-kurs börjar du med att utforska grunderna i MLOps och titta på de centrala funktionerna och de tillhörande rollerna. Därefter kommer du att utforska de olika faserna i maskininlärningslivscykeln mer i detalj.
<br><br>
Allteftersom du går vidare kommer du också att lära dig om system och verktyg för att bättre skala upp och automatisera maskininlärningsoperationer, inklusive feature stores, experimentspårning, CI/CD-pipelines, mikrotjänster och containerisering. Du kommer att utforska centrala MLOps-koncept, vilket ger dig en bättre förståelse för deras tillämpningar.

Understanding Machine Learning

Understanding Data Engineering

Upptäck hur MLOps kan ta ML-modeller från lokala anteckningar till produktionsmodeller med affärsvärde.

MLOps-koncept

Upptäck hur MLOps kan ta maskininlärningsmodeller från lokala notebooks till fungerande modeller i produktion som skapar verkligt affärsvärde.

Associate AI Engineer för data scientists

Maskininlärningsingenjör

Maskininlärning i produktion i Python

MLOps-grunder

Inför versionskontroll för både data och modellkod för att säkerställa reproducerbarhet och spårbarhet.

Upprätta ett system för kontinuerlig övervakning av modellprestanda i produktion.

Sätt upp automatiserade test- och valideringspipelines för modeller innan de når produktion.

Förlita dig på manuella driftsättningsprocesser för alla modellförändringar för att behålla kontrollen.

Håll data science-teamet och driftsteamet helt separerade för att undvika sammanblandning.

Genomför en lång manuell granskningsprocess för varje modelluppdatering innan driftsättning.

MLOps-principer

MLOps-koncept

Interaktiv övning med praktiskt arbete