Profil oluşturma ve feature store faydaları

Modellerimiz Operasyon aşamasına girdiğinde veri profilleri ve feature store'lar kullanmanın birçok önemli faydası vardır.

Hangi fayda hangi kavramla ilişkiliydi, hatırlıyor musun?

Bu egzersiz, kursun bir parçasıdır

MLOps Dağıtımı ve Yaşam Döngüsü

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

MLOps Dağıtımı ve Yaşam Döngüsü

AvançadoNível de habilidade

4.8+

Kursa Ücretsiz Başla

Bu bölüm, dağıtım ve yaşam döngüsü için önemli MLOps ilkelerine ve çerçeve bileşenlerine üst düzey bir genel bakış sunar.

Exercise 1: Modern MLOps çerçevesi Exercise 2: ML iş akışları Exercise 3: MLOps'un avantajları Exercise 4: Yaşam döngüsü aşamaları Exercise 5: Uygulama vs. model Exercise 6: Devreden Çıkarma Exercise 7: Model yaşam döngüsü: tekrar Exercise 8: MLOps bileşenleri Exercise 9: Otomatikleştirilmiş dizi Exercise 10: Depolar ve kayıtlar Exercise 11: DevOps mu MLOps mu?

Bu bölüm, operasyon aşamasına geldiğimizde sorunsuz ilerleyebilmek için daha geliştirme safhasındayken yapmamız gereken tüm değerlendirmelere ayrılmıştır. Nihai hedefimiz, MLOps en iyi uygulamalarıyla modeli nasıl eğiteceğini ve sorunsuz dağıtım, çoğaltılabilirlik ve dağıtım sonrası izlemeyi mümkün kılan bir model paketi nasıl oluşturacağını açıklamaktır.

Exercise 1: Dağıtıma yönelik geliştirme Exercise 2: Machine learning modelini test etme Exercise 3: Dağıtıma başlamak için en doğru zaman Exercise 4: Profiling, sürümleme ve özellik depoları Exercise 5: Feature store özellikleri Exercise 6: Profil oluşturma ve feature store faydaları

Geçerli egzersiz

Exercise 7: Yine üretilebilirliği sağlamak Exercise 8: CI/CD'de model derleme ardışıkları Exercise 9: Farklı hatlar Exercise 10: Model build pipeline özellikleri Exercise 11: CI/CD entegrasyonu Exercise 12: Model paketleme Exercise 13: Model formatları Exercise 14: Tam paket

Bu bölüm, kritik model operasyonu sorularını ele alır. Örneğin: - Modellerimizi hangi farklı yollarla sunabiliriz? - API nedir ve temel işlevleri nelerdir? - Hizmetimizi son kullanıcılara açmadan önce nasıl kapsamlı şekilde test ederiz? - Üretimdeki modelleri hizmeti kesintiye uğratmadan nasıl güncelleriz? Batch tahmin, gerçek zamanlı tahmin, giriş ve çıkış veri doğrulaması, birim testi, entegrasyon testi, canary dağıtımı ve çok daha fazlasını öğreneceksin.

Exercise 1: Sunum modları Exercise 2: Çevrimdışı mı çevrimiçi mi?Exercise 3: Zaman önemli olduğunda - biraz Exercise 4: API'yi oluşturma Exercise 5: İstemci-sunucu Exercise 6: API işlevleri Exercise 7: Dağıtım ilerlemesi ve test etme Exercise 8: Hangi test?Exercise 9: Ortamlar arasında ilerleme Exercise 10: Ortam başına testler Exercise 11: Model dağıtım stratejileri Exercise 12: Uygun bir dağıtım stratejisi Exercise 13: Risk sırası Exercise 14: Gölgenin gölgesi

Bu son bölüm, dağıtımdan sonra ML hizmetlerini izlemeye ve sürdürmeye, ayrıca model yönetişimine ayrılmıştır. Doğrulama gecikmesi, kovaryat kayması, kavram kayması, insan-döngüde (human-in-the-loop) sistemler ve daha birçok kritik kavramı ele alacaksın.

Exercise 1: ML servislerini izleme Exercise 2: Shift ve drift Exercise 3: Gecikme Exercise 4: Şimdiden mi?Exercise 5: İzleme ve uyarı Exercise 6: İzleme sistemi Exercise 7: Uyarı Mekanizması Exercise 8: Model bakımı Exercise 9: Veri-merkezli vs Model-merkezli Exercise 10: Döngüde İnsan (Human-in-the-Loop)Exercise 11: Model yönetişimi Exercise 12: Yönetişimin öğeleri Exercise 13: Yönetişim aşamaları Exercise 14: Risk sınıflandırması Exercise 15: Kapanış