MLOps'ta Metadata

Önceki videoda metadata'nın tanımını öğrendin: bir ML pipeline'ının farklı bileşenlerinin yürütülmesine ilişkin bilgiler.

Bu egzersizde, metadata örneklerini içeren seçeneği seçeceksin.

Bir machine learning pipeline'ı gösteriliyor. Pipeline şu adımlara sahip: veri çıkarma, veri doğrulama, model eğitimi, model değerlendirme ve model doğrulama.

Bu egzersiz, kursun bir parçasıdır

Tam Otomatik MLOps

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

Tam Otomatik MLOps

IntermediárioNível de habilidade

4.9+

340 reviews

Kursa Ücretsiz Başla

Bu ilk bölümde, endüstriyel ortamda MLOps kullanımını motive ediyoruz. İşletmelerde değer üretimini desteklemedeki önemini öğreneceksin. Ayrıca ML aşamalarını gözden geçirip MLOps'un bunları nasıl güçlendirdiğine odaklanacaksın. Bölümün sonunda, tamamen otomatik bir MLOps sistemi için başvuru niteliğinde bir mimariyi keşfedeceksin. Ardından bu mimariyi kullanarak, her MLOps sistemi için önemli bileşenleri ve kursun geri kalanı için bir başlangıç noktasını inceleyeceksin.

Exercise 1: Tam otomatik MLOps'a giriş Exercise 2: Gizli teknik borç mutlaka ödenmelidir Exercise 3: ML'deki gizli teknik borç farklıdır Exercise 4: MLOps yaşam döngüsü aşamaları Exercise 5: Tam otomatik MLOps Exercise 6: Otomatikleştirmek mi, otomatikleştirmemek mi...Exercise 7: Ölçek için tasarlamak Exercise 8: Referans mimarisi: Tam otomatik MLOps Exercise 9: BT ve MLOps'ta başvuru mimarileri Exercise 10: MLOps mimarisi bileşenleri

Bu bölümde, tamamen otomatik bir MLOps sistemini oluşturan kritik bileşenleri keşfetmeye devam edeceksin. İlk olarak, MLOps'ta orkestrasyonun önemini ve ML boru hatlarının verimliliğini ve ölçeklenebilirliğini sağlamaya nasıl yardımcı olduğunu inceleyeceksin. Sonrasında, MLOps'taki farklı dağıtım stratejilerini değerlendirecek ve sistemin için doğru stratejiyi nasıl seçeceğini öğreneceksin. Son olarak, CI/CD/CT/CM'yi ve bunların orkestrasyonu ve en iyi uygulamaları nasıl tamamlayarak MLOps sistemlerinde tam otomasyona ulaştığını öğreneceksin. Bu derslerle, verimli, doğru ve güvenilir, tamamen otomatik bir MLOps sistemi kurmak için daha donanımlı olacaksın.

Exercise 1: Otomatik deney takibi Exercise 2: Neleri takip etmeliyiz?Exercise 3: Büyük deney takibi tartışması: Sen hangi taraftasın?Exercise 4: Burada neyi takip ediyoruz?Exercise 5: Model kaydı Exercise 6: Modeli duvarın üzerinden atma!Exercise 7: ML model yaşam döngüsü Exercise 8: Bu görev model kaydının işi!Exercise 9: Tam otomatik bir MLOps mimarisinde feature store Exercise 10: Bir feature store kullanmanın bir avantajı Exercise 11: Feature store'un rolleri Exercise 12: Metadata deposu Exercise 13: MLOps'ta Metadata

Geçerli egzersiz

Exercise 14: Metadata store ile modelin yeniden eğitimi Exercise 15: MLOps'u izleme sürecinde metadata deposunun rolü

Bu bölümde otomasyonun heyecan verici dünyasına dalacak ve daha dayanıklı ve verimli ML sistemleri tasarlamayı öğreneceksin. MLOps sistemlerinde otomasyonun temellerini anlayarak başlayacak, ardından tasarım kalıplarının ve emniyet mekanizmalarının gücünü keşfedeceksin. Ayrıca MLOps sistemlerinde otomatik testleri nasıl uygulayacağını ve modellerini ile iş akışlarını optimize etmek için hiperparametre ayarlamasını nasıl kullanacağını öğreneceksin. Bu bölümün sonunda, hem verimli hem de güvenilir, tamamen otomatik MLOps sistemleri kurup yönetmek için gerekli beceri ve bilgiyle donanmış olacaksın.

Exercise 1: MLOps'a tam otomasyon ve en iyi uygulamaları tanıtma Exercise 2: MLOps iş akışlarında otomasyon Exercise 3: MLOps'ta otomasyon düzeyleri Exercise 4: Otomasyon, izleme ve olay müdahalesi deseni Exercise 5: Bu bir tasarım kalıbı mı?Exercise 6: Yeniden eğit, geri al ya da imputasyon mu?Exercise 7: MLOps'ta otomatik test Exercise 8: Çöp girerse - çöp çıkar... Veri testlerini uygula!Exercise 9: Test Etme: Geleneksel vs. MLOps Exercise 10: Testler: Veri mi, model mi, pipeline mı?Exercise 11: Otomatik hiperparametre ayarlama Exercise 12: Parametre mi hiperparametre mi?Exercise 13: MLOps'ta hiperparametre ayarlamanın rolü Exercise 14: Hiperparametre ayarını otomatikleştirme

Bu son bölümde, otomatik bir MLOps mimarisinin kritik bileşenlerini derinlemesine inceleyeceksin. Otomatik deney takibinden model kayıt defterine, özellik deposunu keşfetmekten metadata deposunun rolüne kadar, bu bölüm tamamen otomatik bir MLOps sisteminin inceliklerini kapsamlı biçimde anlamanı sağlamayı amaçlıyor. İster deneyimli bir ML uygulayıcısı ol, ister yeni başlıyor ol, bu bölüm otomatik MLOps iş akışları tasarlamak için gereken bilgi ve becerileri sağlayacak.

Exercise 1: MLOps'ta Orkestrasyon Exercise 2: Neden modülerleştirmeliyiz?Exercise 3: Orkestrasyon: geliştirme vs. üretim Exercise 4: MLOps iş akışlarında DAG'ler Exercise 5: MLOps'ta orkestrasyon yönleri Exercise 6: MLOps dağıtım stratejilerinde otomasyon Exercise 7: Bu hangi dağıtım türü?Exercise 8: Bu doğru dağıtım stratejisi mi?Exercise 9: Blue/green dağıtımla sıfır kesinti sağlamak Exercise 10: Tam Otomatik MLOps'ta CI/CD/CT/CM Exercise 11: CI/CD/CT/CM MLOps'a nasıl katkı sağlar?Exercise 12: Sürekli izleme ve sürekli eğitim Exercise 13: MLOps'ta CI/CD/CT/CM Exercise 14: Özet