Trước hết, bạn sẽ tìm hiểu về các đặc trưng cốt lõi của MLOps. Bạn sẽ khám phá vòng đời machine learning, các giai đoạn của nó và các vai trò gắn với quy trình MLOps.

MLOps là gì?

Giải thích MLOps

Nguyên tắc MLOps

Các giai đoạn khác nhau trong MLOps

Vòng đời ML

Nhiệm vụ theo từng giai đoạn

Các vai trò trong MLOps

Nhóm MLOps của bạn

Các vai trò cốt lõi trong quy trình MLOps

Giới thiệu về MLOps

Tiếp theo, bạn sẽ tìm hiểu về giai đoạn thiết kế và phát triển trong vòng đời machine learning. Bạn sẽ khám phá ước tính giá trị mang lại, chất lượng dữ liệu, feature store và theo dõi thí nghiệm.

Thiết kế MLOps

Xác định yêu cầu nghiệp vụ

Tùy chọn

Nhà khoa học dữ liệu

Chuyên gia lĩnh vực

Bên liên quan kinh doanh

Chỉ số chính

Chất lượng dữ liệu và thu nạp

Xác định chất lượng dữ liệu

Accuracy

Completeness

Consistency

Các khía cạnh chất lượng dữ liệu

Xây dựng đặc trưng (Feature engineering)

Cải thiện hiệu suất mô hình

Các cách tiếp cận feature engineering

Giúp một người bạn

Theo dõi thí nghiệm

Chúng ta có thể theo dõi những gì?

Bỏ qua việc theo dõi thí nghiệm

Thiết kế và Phát triển

Trong chương này, bạn sẽ đi sâu vào các khái niệm liên quan đến việc triển khai machine learning vào sản xuất, như môi trường chạy, đóng gói bằng container, pipeline CI/CD và chiến lược triển khai.

Chuẩn bị mô hình để triển khai

Môi trường chạy (runtime environments)

Nên hay không nên containerize

Kiến trúc triển khai Machine Learning

Microservice

Luồng dữ liệu qua API

CI/CD và chiến lược triển khai

CI/CD pipelines

Chiến lược triển khai

Tự động hóa và mở rộng quy mô

Cách các thành phần tự động hóa và mở rộng

Các thành phần MLOps

Triển khai Machine Learning vào Sản xuất

Cuối cùng, bạn sẽ tìm hiểu về việc duy trì machine learning trong sản xuất, với các khái niệm như giám sát thống kê và tính toán, huấn luyện lại, các mức độ trưởng thành của MLOps, và các công cụ có thể dùng trong vòng đời machine learning để đơn giản hóa quy trình.

Giám sát các mô hình Machine Learning

Giám sát machine learning

Giám sát thống kê và giám sát tính toán

Huấn luyện lại một mô hình Machine Learning

Ví dụ về drift

Huấn luyện lại

Các cấp độ trưởng thành của MLOps

Mức độ trưởng thành MLOps

Các cấp độ độ chín của MLOps

Công cụ MLOps

Sử dụng một công cụ

Chọn đúng công cụ

Tổng kết: các khái niệm MLOps

Duy trì Machine Learning trong Sản xuất

Course Glossary

Hiểu về Machine Learning Operations (MLOps) là điều cần thiết để bất kỳ nhà khoa học dữ liệu, kỹ sư hay lãnh đạo nào có thể đưa các mô hình machine learning từ notebook cục bộ đến mô hình vận hành thực tế trong sản xuất. Khóa học này giới thiệu cho bạn các quy trình, giai đoạn và cấp độ chính của MLOps, bao gồm thiết kế, phát triển, triển khai và giám sát. Bạn sẽ khám phá cách tự động hóa giúp các tổ chức triển khai, theo dõi và cập nhật mô hình machine learning một cách hiệu quả.

Các video có bản chép lời trực tiếp, bạn có thể hiển thị bằng cách bấm vào "Show transcript" ở góc dưới bên trái của video.									
Bảng thuật ngữ của khóa học nằm ở bên phải trong phần tài nguyên.				
					
Để nhận tín chỉ CPE, bạn cần hoàn thành khóa học và đạt tối thiểu 70% ở bài đánh giá đủ điều kiện. Bạn có thể chuyển đến bài đánh giá bằng cách bấm vào ô gọi hành động về tín chỉ CPE ở bên phải.									

<h2>Tìm hiểu về Machine Learning Operations (MLOps)</h2>
Việc hiểu các khái niệm về MLOps là điều cần thiết đối với bất kỳ Nhà khoa học dữ liệu, kỹ sư hoặc lãnh đạo nào để đưa các mô hình học máy từ notebook cục bộ đến một mô hình hoạt động thực tế trong môi trường sản xuất.
<br><br>
Trong khóa học này, bạn sẽ tìm hiểu MLOps là gì, hiểu các giai đoạn khác nhau trong quy trình MLOps và xác định các cấp độ trưởng thành khác nhau của MLOps. Sau khi tìm hiểu về các khái niệm MLOps thiết yếu, bạn sẽ được trang bị đầy đủ cho hành trình triển khai học máy một cách liên tục, đáng tin cậy và hiệu quả.
<br><br>
<h2>Khám phá cách học máy có thể được mở rộng và tự động hóa</h2>
Làm thế nào chúng ta có thể mở rộng các dự án học máy của mình bằng cách sử dụng tối thiểu thời gian và tài nguyên? Và làm thế nào chúng ta có thể tự động hóa các quy trình của mình để giảm nhu cầu can thiệp thủ công và cải thiện hiệu suất mô hình? Đây là những câu hỏi học máy cơ bản mà MLOps cung cấp câu trả lời.
<br><br>
Trong khóa học MLOps này, bạn sẽ bắt đầu bằng cách khám phá những kiến thức cơ bản về MLOps, tìm hiểu các tính năng cốt lõi và các vai trò liên quan. Tiếp theo, bạn sẽ khám phá chi tiết hơn về các giai đoạn khác nhau của vòng đời học máy.
<br><br>
Khi bạn tiến bộ, bạn cũng sẽ tìm hiểu về các hệ thống và công cụ để mở rộng quy mô và tự động hóa vận hành học máy tốt hơn, bao gồm kho đặc trưng, theo dõi thí nghiệm, pipeline CI/CD, vi dịch vụ và đóng gói container. Bạn sẽ khám phá các khái niệm MLOps quan trọng, giúp bạn hiểu rõ hơn về cách áp dụng chúng.

Understanding Machine Learning

Understanding Data Engineering

Khám phá cách MLOps đưa mô hình học máy từ sổ tay đến sản phẩm tạo giá trị kinh doanh thực.

Các khái niệm về MLOps

Khám phá cách MLOps có thể đưa các mô hình học máy từ notebook cục bộ đến các mô hình hoạt động trong môi trường sản xuất, tạo ra giá trị kinh doanh thực sự.

Kỹ sư AI cấp bậc Associate dành cho các nhà khoa học dữ liệu

Kỹ sư Học máy

Học máy trong sản xuất trong Python

Cơ bản về MLOps

ML Engineer

Feature engineering

Customer data

Feature selection

The feature store

Data version control

Let's practice!

Thiết kế và Phát triển - Xây dựng đặc trưng (Feature engineering)

Xây dựng đặc trưng (Feature engineering)

Create Your Free Account