First, you’ll learn about the core features of MLOps. You’ll explore the machine learning lifecycle, its phases, and the roles associated with MLOps processes.

What is MLOps?

Explaining MLOps

MLOps principles

Different phases in MLOps

The ML lifecycle

Tasks per phase

Roles in MLOps

Your MLOps team

Core roles in MLOps processes

Introduction to MLOps

Next, you’ll learn about the design and development phase in the machine learning lifecycle. You’ll explore added value estimation, data quality, feature stores, and experiment tracking.

MLOps tasarımı

İş gereksinimlerinin belirlenmesi

Seçenekler

Veri Bilimci

Konu Uzmanı

İş paydaşı

Anahtar metrikler

Veri kalitesi ve alımı

Veri kalitesinin belirlenmesi

Doğruluk

Bütünlük

Tutarlılık

Veri kalitesi boyutları

Özellik mühendisliği

Model performansının iyileştirilmesi

Özellik mühendisliği yaklaşımları

Bir arkadaşa yardım etmek

Deney takibi

Neyi takip edebiliriz?

Deney takibini atlama

Design and Development

In this chapter, you’ll dive into the concepts relevant to deploying machine learning into production, such as runtime environments, containerization, CI/CD pipelines, and deployment strategies.

Preparing model for deployment

Runtime environments

To containerize or not to containerize

Machine learning deployment architecture

Microservice

API data flow

CI/CD and deployment strategy

CI/CD pipelines

Deployment strategies

Automation and scaling

How components automate and scale

MLOps components

Deploying Machine Learning into Production

Finally, you’ll learn about maintaining machine learning in production, with concepts such as statistical and computational monitoring, retraining, different levels of MLOps maturity, and tools that can be used within the machine learning lifecycle to simplify processes.

Monitoring machine learning models

Machine learning monitoring

Statistical vs. computational monitoring

Retraining a machine learning model

Examples of drift

Retraining

Levels of MLOps maturity

MLOps maturity

MLOps maturity levels

MLOps tools

Using a tool

Pick the right tool

Recap: MLOps concepts

Maintaining Machine Learning in Production

Course Glossary

Machine Learning Operations (MLOps) kavramını anlamak, makine öğrenmesi modellerini yerel bir defterden üretimde çalışan bir modele taşımak isteyen her veri bilimci, mühendis veya lider için kritik öneme sahiptir. Bu kurs, tasarım, geliştirme, dağıtım ve izleme dahil olmak üzere MLOps’un temel süreçlerini, aşamalarını ve seviyelerini tanıtır. Otomasyonun kuruluşların makine öğrenmesi modellerini verimli bir şekilde başlatmasına, izlemesine ve güncellemesine nasıl olanak sağladığını keşfedeceksin.

Videolarda, sol altta yer alan "Show transcript" seçeneğine tıklayarak açabileceğin canlı altyazılar bulunmaktadır.									
Kurs sözlüğünü sağdaki kaynaklar bölümünde bulabilirsin.				
					
CPE kredileri almak için kursu tamamlaman ve nitelikli değerlendirmede yüzde 70 puana ulaşman gerekir. Sağ taraftaki CPE kredileri duyurusuna tıklayarak değerlendirmeye gidebilirsin.									

<h2>Makine Öğrenimi Operasyonları (MLOps) hakkında bilgi edinin</h2>
MLOps kavramlarını anlamak, herhangi bir veri bilimci, mühendis veya liderin makine öğrenimi modellerini yerel bir not defterinden üretimde işleyen bir modele taşıması için gereklidir.
<br><br>
Bu eğitimde MLOps'un ne olduğunu öğrenecek, MLOps süreçlerindeki farklı aşamaları anlayacak ve farklı MLOps olgunluk seviyelerini tanımlayacaksınız. Temel MLOps kavramlarını öğrendikten sonra, makine öğrenimini sürekli, güvenilir ve verimli bir şekilde uygulama yolculuğunuzda iyi bir donanıma sahip olacaksınız.
<br><br>
<h2>Makine Öğreniminin Nasıl Ölçeklendirilebileceğini ve Otomatikleştirilebileceğini Keşfedin</h2>
Makine öğrenimi projelerimizi en az zaman ve kaynak kullanarak nasıl ölçeklendirebiliriz? Manuel müdahale ihtiyacını azaltmak ve model performansını iyileştirmek için süreçlerimizi nasıl otomatikleştirebiliriz? Bunlar, MLOps'un yanıtlarını verdiği temel Makine Öğrenimi sorularıdır.
<br><br>
Bu MLOps eğitiminde, MLOps'un temel özelliklerini ve ilgili rolleri inceleyerek MLOps'un temellerini keşfederek başlayacaksınız. Daha sonra, makine öğrenimi yaşam döngüsünün çeşitli aşamalarını daha ayrıntılı olarak keşfedeceksiniz.
<br><br>
İlerledikçe, özellik depoları, deney izleme, CI/CD boru hatları, mikro hizmetler ve konteynerleştirme dahil olmak üzere makine öğrenimi işlemlerini daha iyi ölçeklendirmek ve otomatikleştirmek için sistemler ve araçlar hakkında da bilgi edineceksiniz. Temel MLOps kavramlarını keşfedecek ve bunların uygulamalarını daha iyi anlayacaksınız.

Understanding Machine Learning

Understanding Data Engineering

MLOps ile makine öğrenimi modellerini üretime taşıyıp gerçek iş değeri yaratmayı keşfedin.

MLOps Kavramları

MLOps ile makine öğrenmesi modellerini yerel not defterlerinden üretimde gerçek iş değeri yaratan işlevsel modellere dönüştürmeyi keşfedin.

Veri Bilimcileri için Yardımcı Yapay Zeka Mühendisi

Makine Öğrenimi Mühendisi

Üretimde Makine Öğrenimi Python'da

MLOps Temelleri

Görünüşe göre pek çok müşteri posta kodu olarak 123456 yazmış.

Yapılan inceleme sonucunda değerlerin %30'unun hatalı olduğu tespit edilmiştir.

Tüm müşterilerin %45'inde müşterinin yaşı eksiktir.

Bir ürün grubu için değerlerin %60'ı eksiktir.

Bir tabloda, müşterinin 'yaşı' ilk siparişinden bu yana geçen süredir; başka bir tabloda ise gerçek fiziksel yaşıdır.

İki tabloyu karşılaştırdığımızda, aynı müşteri kimliğinin iki farklı müşteriye atıfta bulunabileceğini görüyoruz.

Veri kalitesi boyutları

MLOps Kavramları

Uygulamalı interaktif egzersiz