ทีมแบบ DevOps

เราได้พูดถึงวิธีที่ทีมที่ประสบความสำเร็จดำเนินงานกันไปแล้ว มาดู DevOps กันอีกครั้ง ข้อใดต่อไปนี้ไม่ใช่ทีมแบบ DevOps?

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

MLOps สำหรับธุรกิจ

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำจริง

เปลี่ยนทฤษฎีให้เป็นการลงมือทำด้วยแบบฝึกหัดเชิงโต้ตอบหนึ่งในของเรา

เริ่มแบบฝึกหัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

MLOps สำหรับธุรกิจ

SkillTag.level.beginnerSkillTag.label

4.9+

เริ่มคอร์สฟรี

บทแรกจะแนะนำ MLOps และอธิบายว่าทำไมธุรกิจที่ต้องการออกแบบ พัฒนา และดำเนินงานแอปพลิเคชัน machine learning หลายตัวพร้อมกันจึงต้องการมัน จะได้เรียนรู้เกี่ยวกับองค์ประกอบหลักของ MLOps เช่น การขยายขนาดและการทำให้เป็นอัตโนมัติ ประโยชน์ที่ได้รับ และสาเหตุที่ MLOps ยังคงมีความท้าทาย นอกจากนี้ยังจะได้สำรวจสิ่งที่จำเป็นสำหรับการเริ่มต้นเส้นทาง MLOps ทั้งในมิติของเทคโนโลยีและการจัดการ

Exercise 1: MLOps คืออะไร?Exercise 2: MLOps: ชุดแนวปฏิบัติเพื่อ ...Exercise 3: MLOps มีลักษณะเด่นอะไรบ้าง?Exercise 4: เหตุผลทางธุรกิจที่สนับสนุน MLOps Exercise 5: สาขาที่เกี่ยวข้องกับ MLOps Exercise 6: วิธีลงทุนใน MLOps Exercise 7: เหตุผลในการลงทุนกับ MLOps Exercise 8: วางรากฐานสู่ MLOps Exercise 9: สมาชิกในทีม MLOps Exercise 10: เงื่อนไขเบื้องต้นของ MLOps Exercise 11: องค์ประกอบของ MLOps

ในบทที่สอง จะได้เรียนรู้วงจรชีวิต MLOps ทั้งหมด ตั้งแต่การออกแบบ การพัฒนา การนำไปใช้งาน ไปจนถึงการดำเนินงาน รวมถึงสาเหตุที่การมอนิเตอร์มีความสำคัญต่อแอปพลิเคชัน machine learning ที่ใช้งานได้จริง และเหตุใดจึงต้องฝึกโมเดล machine learning ใหม่อยู่เป็นประจำ

Exercise 1: MLOps ตั้งแต่ต้นจนจบ Exercise 2: 10 ขั้นตอนสำคัญในวงจรชีวิต MLOps Exercise 3: ขั้นตอนหลักของแอปพลิเคชัน MLOps Exercise 4: งานสำคัญในแต่ละขั้นตอนหลักของ MLOps Exercise 5: ขั้นตอนการออกแบบ Exercise 6: การเลื่อนงานในขั้นตอนการออกแบบออกไป Exercise 7: พิมพ์เขียวสู่ความสำเร็จ: การออกแบบโปรเจกต์ MLOps Exercise 8: ขั้นตอนการพัฒนา Exercise 9: งานในช่วงการพัฒนา Exercise 10: บทบาทในช่วงการพัฒนา Exercise 11: การตรวจสอบ การฝึกซ้ำ และการเปลี่ยนโมเดลในแอปพลิเคชัน MLOps Exercise 12: ลักษณะเฉพาะของวงจรชีวิต MLOps Exercise 13: ความรับผิดชอบของแต่ละบทบาทในการพัฒนา use case ด้าน MLOps Exercise 14: วงจรชีวิต MLOps

ในบทที่สาม จะได้ก้าวจากทฤษฎีสู่การปฏิบัติ และสำรวจความท้าทายและความเสี่ยงหลักของการนำโมเดล machine learning ไปใช้งานจริง นอกจากนี้ยังจะได้เรียนรู้ว่าทีม MLOps ดำเนินงานได้อย่างมีประสิทธิภาพอย่างไร และฝ่ายบริหารสามารถสนับสนุนการขยายขนาด machine learning ให้ประสบความสำเร็จได้อย่างไร

Exercise 1: ความท้าทายและความเสี่ยงทางธุรกิจที่เกี่ยวข้องกับ MLOps Exercise 2: อะไรทำให้ MLOps มีความท้าทาย?Exercise 3: ซอฟต์แวร์แบบดั้งเดิม vs. MLOps Exercise 4: ความเสี่ยงทางธุรกิจที่อาจเกิดขึ้นจาก MLOps Exercise 5: วิธีที่ทีม MLOps ดำเนินงานได้อย่างประสบความสำเร็จ Exercise 6: ทีมแบบ DevOps

แบบฝึกหัดปัจจุบัน

Exercise 7: ความท้าทายในการนำ MLOps ไปใช้Exercise 8: สถานการณ์ปัจจุบันของ MLOps Exercise 9: ข้อความที่ไม่เป็นความจริงเกี่ยวกับ MLOps Exercise 10: สาเหตุที่ MLOps เป็นเรื่องยาก

บทสุดท้ายจะแสดงให้เห็นวิธีเริ่มต้นเส้นทาง MLOps ของธุรกิจได้อย่างมีประสิทธิภาพ โดยพูดถึงแนวปฏิบัติที่ดีและข้อผิดพลาดที่ควรหลีกเลี่ยง จากนั้นจะได้ศึกษาระดับความสมบูรณ์ของ MLOps ในแต่ละขั้น และปิดท้ายคอร์สด้วยกรณีศึกษาจากสถานการณ์จริงเกี่ยวกับการออกแบบ พัฒนา และดำเนินงานแอปพลิเคชัน machine learning สำหรับกระบวนการผลิตที่สำคัญ

Exercise 1: วิธีที่ธุรกิจสามารถพร้อมสำหรับ MLOps อย่างเต็มรูปแบบ Exercise 2: KPI สำหรับ MLOps ที่มีความหมาย Exercise 3: เรียงลำดับความพร้อมในการ deploy Exercise 4: ความพร้อมด้าน MLOps Exercise 5: แนวทางปฏิบัติที่ดีและข้อผิดพลาดที่ควรหลีกเลี่ยงใน MLOps Exercise 6: เราต้องทดสอบอะไรบ้าง?Exercise 7: แนวทางปฏิบัติที่ดี (หรือไม่ใช่?)Exercise 8: กรณีศึกษา MLOps: เพิ่มผลกำไรด้วย MLOps Exercise 9: ประเด็นสำคัญของกรณีศึกษา Exercise 10: สรุปบทเรียน