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

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?

Kısaca MLOps

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.

Dağıtıma yönelik geliştirme

Machine learning modelini test etme

Dağıtıma başlamak için en doğru zaman

Profiling, sürümleme ve özellik depoları

Feature store özellikleri

Profil oluşturma ve feature store faydaları

Yine üretilebilirliği sağlamak

CI/CD'de model derleme ardışıkları

Farklı hatlar

Model build pipeline özellikleri

CI/CD entegrasyonu

Model paketleme

Model formatları

Tam paket

Dağıtım İçin Geliştir

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.

Sunum modları

Çevrimdışı mı çevrimiçi mi?

Zaman önemli olduğunda - biraz

API'yi oluşturma

İstemci-sunucu

API işlevleri

Dağıtım ilerlemesi ve test etme

Hangi test?

Ortamlar arasında ilerleme

Ortam başına testler

Model dağıtım stratejileri

Uygun bir dağıtım stratejisi

Risk sırası

Gölgenin gölgesi

Dağıt ve Çalıştır

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.


ML servislerini izleme

Shift ve drift

Gecikme

Şimdiden mi?

İzleme ve uyarı

İzleme sistemi

Uyarı Mekanizması

Model bakımı

Veri-merkezli vs Model-merkezli

Döngüde İnsan (Human-in-the-Loop)

Model yönetişimi

Yönetişimin öğeleri

Yönetişim aşamaları

Risk sınıflandırması

Kapanış

İzle ve Sürdür

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

MLOps'un avantajları

MLOps Dağıtımı ve Yaşam Döngüsü

Uygulamalı etkileşimli egzersiz