Geleneksel yazılım vs. MLOps

Geleneksel yazılım, machine learning uygulamalarına kıyasla girdi verisine çok daha az bağımlıdır ve çıktıları genellikle determinizmdir; yani ne bekleyeceğimizi biliriz. Bu nedenle, machine learning modellerini işletmek ve izlemek çok daha zorludur.

Bu egzersiz, kursun bir parçasıdır

İş Dünyası için MLOps

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

İş Dünyası için MLOps

InicianteNível de habilidade

4.9+

Kursa Ücretsiz Başla

Bu ilk bölümde MLOps’u ve aynı anda birden çok makine öğrenimi uygulamasını tasarlayıp geliştirip işletmek isteyen işletmeler için neden gerekli olduğunu öğreneceksin. Ölçekleme ve otomasyon gibi MLOps’un temel unsurlarını, sağladığı faydaları ve neden hâlâ zorlu olduğunu keşfedeceksin. Ayrıca MLOps yolculuğuna hem teknolojik hem de yönetsel açıdan başlamak için nelerin gerektiğini inceleyeceksin.

Exercise 1: MLOps nedir?Exercise 2: MLOps: bir uygulamalar bütünü ki ...Exercise 3: MLOps’un özellikleri nelerdir?Exercise 4: MLOps için iş gerekçeleri Exercise 5: İlgili MLOps alanları Exercise 6: MLOps’a nasıl yatırım yapılır Exercise 7: MLOps’a yatırım yapma nedenleri Exercise 8: MLOps için sağlam bir temel atmak Exercise 9: MLOps ekip üyeleri Exercise 10: MLOps’un Ön Koşulları Exercise 11: MLOps’un Öğeleri

İkinci bölümde, tasarımdan geliştirmeye, devreye almaya ve işletime kadar tüm MLOps yaşam döngüsünü öğreneceksin. Verimli makine öğrenimi uygulamaları için izlemenin neden kritik olduğunu ve makine öğrenimi modellerini neden düzenli olarak yeniden eğitmemiz gerektiğini keşfedeceksin.

Exercise 1: Uçtan uca MLOps açıklaması Exercise 2: On önemli MLOps yaşam döngüsü adımı Exercise 3: Bir MLOps uygulamasının ana aşamaları Exercise 4: MLOps’un ana aşamalarındaki önemli görevler Exercise 5: Tasarım aşaması Exercise 6: Tasarım aşaması görevlerini ertelemek Exercise 7: Başarı İçin Plan: MLOps Projeni Tasarlama Exercise 8: Geliştirme aşaması Exercise 9: Geliştirme görevleri Exercise 10: Geliştirme aşamasındaki roller Exercise 11: MLOps uygulamalarını izleme, yeniden eğitme ve değiştirme Exercise 12: MLOps yaşam döngüsünün özellikleri Exercise 13: Bir MLOps kullanım senaryosu geliştirirken bireysel sorumluluklar Exercise 14: MLOps yaşam döngüsü

Üçüncü bölümde teoriden pratiğe geçecek ve makine öğrenimi modellerini üretime almanın başlıca zorluklarını ve risklerini keşfedeceksin. Ayrıca MLOps ekiplerinin nasıl başarıyla çalıştığını ve yönetimin makine öğrenimini ölçeklendirmeyi desteklemek için neler yapabileceğini öğreneceksin.

Exercise 1: MLOps ile ilgili iş zorlukları ve riskler Exercise 2: MLOps’u zor yapan nedir?Exercise 3: Geleneksel yazılım vs. MLOps

Geçerli egzersiz

Exercise 4: Olası MLOps iş riskleri Exercise 5: MLOps ekipleri nasıl başarıyla çalışır Exercise 6: DevOps tarzı ekipler Exercise 7: MLOps’u uygulamadaki zorluklar Exercise 8: Bugün MLOps’un durumu Exercise 9: MLOps hakkında yanlış bir ifade Exercise 10: MLOps'un zor olmasının nedenleri

Son bölümde, en iyi uygulamaları ve kaçınılması gereken tuzakları tartışarak işletmenin MLOps yolculuğunu başarıyla nasıl başlatacağını göreceksin. Son olarak, MLOps olgunluk seviyelerini inceleyecek ve kritik üretim süreçleri için bir makine öğrenimi uygulamasını tasarlama, geliştirme ve işletme üzerine gerçek bir vaka çalışmasıyla kursu tamamlayacaksın.

Exercise 1: İşletmeler tamamen MLOps’a hazır hale nasıl gelebilir Exercise 2: Geçerli MLOps KPI’ları Exercise 3: Dağıtım olgunluğunu sırala Exercise 4: MLOps olgunluğu Exercise 5: MLOps en iyi uygulamalar ve kaçınılması gereken tuzaklar Exercise 6: Neleri test etmemiz gerekiyor?Exercise 7: (En) iyi uygulama değil Exercise 8: MLOps vaka incelemesi: MLOps ile kârı artırmak Exercise 9: Vaka çalışmasının kilit noktaları Exercise 10: Kapanış