This chapter gives a high-level overview of MLOps principles and framework components important for deployment and life cycling.

Modern MLOps çerçevesi

Seçenekler

Machine Learning (ML) Geliştirme

Operasyonlar

ML iş akışları

MLOps'un avantajları

Yaşam döngüsü aşamaları

ML modeli

ML uygulaması

Uygulama vs. model

Devreden Çıkarma

MLOps Yaşam Döngüsü

Model yaşam döngüsü: tekrar

MLOps bileşenleri

Otomatikleştirilmiş dizi

Feature store

Metadata store

Model registry

Depolar ve kayıtlar

MLOps + DevOps

Yalnızca MLOps

DevOps mu MLOps mu?

MLOps in a Nutshell

This chapter is dedicated to all the considerations we need to make already in the development phase, in order to ensure a smooth ride when we reach the operations.

Our ultimate goal is to explain how to train the model using MLOps best practices and build a model package that enables smooth deployment, reproducibility and post-deployment monitoring.

Deployment-driven development

Testing your machine learning model

Best time to start deploying

Profiling, versioning, and feature stores

Feature store properties

Profiling and feature store benefits

Ensuring reproducibility

Model build pipelines in CI/CD

Different pipelines

Model build pipeline properties

CI/CD integration

Model packaging

Model formats

Full package

Develop for Deployment

This chapter deals with critical model operations questions such as:
- What are the different ways in which we can serve our models?
- What is an API, and what are its key functionalities?
- How do we thoroughly test our service before making it available to the end users?
- How do we update models in production without service disturbance?

You will learn about batch prediction, real-time prediction, input and output data validation, unit testing, integration testing, canary deployment, and much more.

Serving modes

Offline or online?

When time matters - a bit

Building the API

Client-server

API functionalities

Deployment progression and testing

Which test is it?

Progression through environments

Tests per environment

Model deployment strategies

A fitting deployment strategy

Order of risk

Shadow of the shadow

Deploy and Run

This final chapter is dedicated to monitoring and maintaining ML services after they are deployed, as well as to model governance.

You will cover crucial concepts such as verification latency, covariate shift, concept drift, human-in-the-loop systems, and more.


Monitoring ML services

Shift vs drift

Latency

Already?

Monitoring and alerting

The monitoring system

Alerting

Model maintenance

Data-centric vs Model-centric

Human-in-the-Loop

Model governance

Elements of governance

Stages of governance

Risk classification

Wrap up

Monitor and Maintain

Modern MLOps çerçevesini keşfet: Machine Learning modellerinin yaşam döngüsü ve dağıtımı. Bu kursta teknik borcu en aza indiren ML kodu yazmayı öğrenecek, modellerini dağıtmak ve izlemek için ihtiyaç duyacağın araçları keşfedecek ve karşılaşacağın farklı ortam ve analitik türlerini inceleyeceksin.

Verini topladıktan, hazırladıktan ve etiketledikten, farklı modeller üzerinde birçok deney çalıştırıp bir şampiyon modelle fikrini kanıtladıktan sonra sıradaki adımlara geçme zamanı gelir. İnşa et. Dağıt. İzle. Sürdür. Üretime giden modelinin yaşam döngüsü budur. Bu da MLOps’un Ops kısmıdır.

Bu kurs, modelinin değer üretme yolculuğunun ikinci bölümünde nasıl ilerleyeceğini göstererek, bundan sonra gelecek birçok model için kıstas belirlemeni sağlayacak.

<h2>MLOps Dağıtımı ve Yaşam Döngüsü</h2>

Makine öğrenimi modellerinin yaşam döngüsü ve dağıtımı dahil olmak üzere modern MLOps çerçevesini keşfedin. Bu kursta, teknik borcu en aza indiren ML kodu yazmayı öğrenecek, modellerinizi dağıtmak ve izlemek için ihtiyaç duyacağınız araçları keşfedecek ve karşılaşacağınız farklı ortam ve analiz türlerini inceleyeceksiniz.

<h2>MLOps Yaşam Döngüsü Hakkında Bilgi Edinin</h2>
Verilerinizi topladıktan, hazırladıktan ve etiketledikten sonra, farklı modeller üzerinde çok sayıda deney yapın ve şampiyon model ile konseptinizi kanıtladıktan sonra, bir sonraki adımlara geçme zamanı gelmiştir. İnşa etmek Dağıt. Monitör. Bakım. Bu, modelinizin üretime geçtikten sonraki yaşam döngüsüdür. Bu, MLOps'un Ops kısmıdır.

Bu kurs, modelinizin değer sunma yolculuğunun ikinci bölümünde nasıl ilerleyeceğinizi göstererek, gelecekte daha pek çok şey için bir referans noktası oluşturacaktır. MLOps yaşam döngüsünü keşfederek başlayacak, MLOps'un önemini ve model geliştirme, dağıtım, izleme ve bakım için temel işlevsel bileşenleri öğreneceksiniz.
<h2>Dağıtım için ML Kodu Geliştirme</h2>
Ardından, dağıtım için modeller geliştirmeyi, etkili ML kodu yazmayı, araçlardan yararlanmayı ve ML ardışık düzenlerini eğitmeyi öğreneceksiniz. İlerledikçe, modellerinizi nasıl dağıtacağınızı, farklı dağıtım ortamlarını ve bunları ne zaman kullanacağınızı keşfedeceksiniz. Ayrıca mevcut üretim modellerini değiştirmek için stratejiler geliştirecek ve API'leri inceleyeceksiniz.
<h2>Modellerinizi Nasıl İzleyeceğinizi Öğrenin</h2>
Kursu tamamladığınızda, ML modellerinizi izleme ve sürdürmenin arkasındaki önemli performans ölçütlerini keşfedeceksiniz. Üretimde sapma izleme, model geri bildirimi, güncellemeler ve yönetişim hakkında bilgi edineceksiniz.

İşiniz bittiğinde, MLOps yaşam döngüsünü kullanarak kendi modellerinizi üretim ortamında nasıl dağıtabileceğinizi anlayacaksınız.


MLOps Concepts

Bu derste, makine öğrenimi modellerinin yaşam döngüsü ve dağıtımını içeren modern MLOps çerçevesini keşfedeceksiniz.

MLOps Dağıtımı ve Yaşam Döngüsü

Bu kursta, modern MLOps çerçevesini inceleyerek makine öğrenimi modellerinin yaşam döngüsünü ve dağıtımını keşfedeceksiniz. 

Makine Öğrenimi Mühendisi

MLOps Temelleri

Farklı projeler ve modeller arasında yeniden kullanılabilirlik için ön işlenmiş verileri saklar

Model oluşturma hattına (pipeline) girdi kaynağı olarak kullanılır

Model izleme için gerekli verileri saklar

Modeller hakkında tamamlayıcı verileri saklar

Depolar ve kayıtlar

MLOps Dağıtımı ve Yaşam Döngüsü

Uygulamalı interaktif egzersiz