Bu bölüm, Machine Learning modellerini araştırma ve geliştirme aşamasından üretim ortamına taşıman için gereken beceri ve bilgileri sağlayacak. Bir araştırma prototipinden güvenilir, ölçeklenebilir ve bakımı kolay bir sisteme geçiş sürecini öğreneceksin.

Bir MLOps bakış açısını benimsemek

MLOps'un temel bir yönü nedir?

Teknik borç nedir?

Bakımı yapılabilir ML kodu yazma

Sürüm kontrolü

Kod organizasyonu

Etkili ML dokümantasyonu yazma

Etiketleme yöntemlerini neden belgeliyorsun?

MLOps en iyi uygulamaları

Araştırmadan Üretime Geçiş

Bu bölümde, Machine Learning'de yeniden üretilebilirliğin önemini ve modellerinin zaman içinde yeniden üretilebilir ve güvenilir kalmasını nasıl sağlayacağını öğreneceksin. Modellerinin yeniden üretilebilirliğini güvenceye almak için kullanabileceğin çeşitli teknikleri ve en iyi uygulamaları keşfedeceksin.

Yine üretilebilir deneyler tasarlamak

ML yeniden üretilebilirliği

Tekrar Üretilebilirlik ve Güvenilirlik için Temel Unsurları Belirleme

Güvenilirlik Öğelerini Sıralama

Yeniden Üretilebilirlik Unsurlarını ve Belgelendirme Uygulamalarını Sıralama

Özellik mühendisliği

Feature Engineering Hedefleri ve Tekniklerini Sınıflandırma

Veri Manipülasyonu ve Dönüşüm Tekniklerini Belirleme

Özellik seçimi

Veri ve model sürümleme

Model store

Eğitim verilerini sürümlendirme

Yinelenebilirliği sağlama

 Yeniden Üretilebilirliği Sağlamak

3. Bölümde, Machine Learning modellerini üretim ortamlarına dağıtırken karşılaşılan çeşitli zorlukları inceleyeceksin. Üretimde ML modellerini dağıtmanın farklı yaklaşımlarını ve üretimde ML modellerini izleme ve sürdürme stratejilerini öğreneceksin.

ML modellerini paketleme

Serileştirme ve konteynerleştirmenin amacı

Model Paketleme Hattı

Model paketleme sırası

Ölçeklenebilirlik

Ölçeklendirme

Seçenekler

Model karmaşıklığını ele alma

Hesaplama kısıtlarını ele alma

Model karmaşıklığı

Ölçekleme Stratejileri

Yatay Ölçekleme

Dikey Ölçekleme

Otomatik Ölçekleme

Ölçekleme tekniklerini kategorize etme

Otomasyon

Continuous Delivery'nin faydaları

CI/CD/CM/CT Pipeline

CI/CD adımları

Dağıtıma hazır model hazırlama

Ardışık Düzen Otomasyonu

ML modellerini üretime almak

Üretim Ortamlarında ML

Son bölümde, Machine Learning boru hatlarını test etmenin çeşitli yollarını ve beklenen şekilde çalıştıklarından nasıl emin olacağını öğreneceksin. ML boru hatlarını test etmenin önemini keşfedecek ve bu boru hatlarını test etme ve doğrulama tekniklerini öğreneceksin.

Model güvenilirliği

ML Pipeline Hazırlığı ve Bayatlaması için Test Stratejilerini Sınıflandırma

Machine Learning Boru Hatlarında Model Bayatlığını Giderme

Veriyi test etme

Doğru testi seçmek

Tutarlılık kontrolü

Modelleri test etme

Müşteri yaşam boyu değerini tahmin etme

Adaleti sınıflandırma

Machine learning pipeline'larını test etme

Tebrikler!

ML Boru Hatlarını Test Etmek

Günümüzdeki Machine Learning içeriklerinin çoğu model eğitimi ve parametre ayarına odaklanıyor; ancak deneysel modellerin %90'ı üretime hiç geçmiyor—başlıca nedeni de uzun ömürlü olacak şekilde tasarlanmamış olmaları. Bu derste, bakış açını bir Machine Learning mühendisliği yaklaşımından MLOps (Machine Learning Operations) yaklaşımına kaydırmanın; modellerini en yüksek potansiyellerine kadar eğitmeni, belgelemeni, sürdürmeni ve ölçeklendirmeni nasıl sağlayacağını göreceksin.

Günümüzdeki makine öğrenmesi ile ilgili içeriklerin çoğu model eğitimi ve parametre ayarlamaya odaklanıyor, ancak deneysel modellerin %90’ı üretime geçemiyor; bunun başlıca nedeni ise kalıcı olacak şekilde tasarlanmamış olmalarıdır. Bu kurs kapsamında, bakış açınızı bir makine öğrenmesi mühendisliği yaklaşımından bir MLOps (Makine Öğrenmesi Operasyonları) yaklaşımına kaydırmanın; modellerinizi en yüksek potansiyellerine ulaşacak şekilde eğitmenize, belgelemenize, sürdürmenize ve ölçeklendirmenize nasıl olanak tanıyacağını göreceksiniz.
Kolayca Deney Yapın ve Belgeler Oluşturun
Makine öğrenimi modelleriyle denemeler yapmak genellikle keyiflidir, ancak zaman alıcı olabilir. Burada, bu süreci hızlandırmak için tekrarlanabilir deneyler tasarlamayı ve hem kendiniz hem de ekip arkadaşlarınız için dokümantasyon yazmayı öğreneceksiniz; böylece gelecekte boru hattı üzerinde çalışmak çok daha kolay olacak.
Üretim İçin MLOps Modelleri Oluşturun
Üretim ortamında modellerin ve ortamların paketlenmesi ve serileştirilmesi için en iyi alıştırmalar öğrenecek ve modellerin mümkün olduğunca uzun süre kullanılabilmesini sağlayacaksınız.
ML işlem hattınızı Büyütün ve Otomatikleştirin
Model ve veri karmaşıklığını ve sürekli otomasyonu göz önünde bulundurarak, modellerinizin üretim ortamında ölçeklenebilir olmasını, kolayca izlenebilmesini ve anında dağıtılabilmesini sağlayabilirsiniz.

Bu kursu tamamladığınızda, üretime hazır makine öğrenmesi modelleri tasarlayabilecek ve geliştirebilecek, ayrıca bu modelleri zaman içinde sürekli olarak iyileştirebileceksiniz.

MLOps Concepts

Supervised Learning with scikit-learn

MLOps zihniyetine geçin, ML modellerinizi eğitin, belgeleyin, sürdürün ve ölçeklendirin.

Üretim İçin Machine Learning Modelleri Geliştirme

MLOps bakış açısıyla makine öğrenmesi modellerinizi eğitin, belgeleyin, yönetin ve ölçeklendirin.

MLOps Temelleri

Serileştirme ve konteynerleştirmenin amacı

Üretim İçin Machine Learning Modelleri Geliştirme

Uygulamalı etkileşimli egzersiz