本章將提供你把機器學習模型從研究與開發階段推進到正式上線環境所需的技能與知識。你會學到如何把研究性原型轉化為可靠、可擴充、且易於維護的系統。

採用 MLOps 思維

MLOps 的關鍵面向是什麼？

什麼是技術債（technical debt）？

撰寫可維護的 ML 程式碼

版本控制

程式碼組織

撰寫有效的 ML 文件

為什麼要記錄標註方法？

MLOps 最佳實務

從研究走向正式上線

本章你將了解可重現性在機器學習中的重要性，以及如何確保你的模型能在時間推移下維持可重現與可靠。你會探索多種技巧與最佳實務，協助你確保模型的可重現性。

設計可重現的實驗

ML 可重現性

找出確保可重現性與可靠性的關鍵面向

排序可靠性要素

分類：可重現性面向與文件化做法

特徵工程（feature engineering）

分類特徵工程的目標與技巧

辨識資料操作與轉換技術

特徵選擇

資料與模型版本控管

Model store

訓練資料的版本控管

確保可重現性

在第 3 章，你將探討把機器學習模型部署到正式上線環境時所面臨的各種挑戰。你會學到在正式環境中部署 ML 模型的不同做法，以及用於監控與維護上線中 ML 模型的策略。

封裝 ML 模型

序列化與容器化的目標

模型封裝順序

可擴充性

擴充規模

模型複雜度

擴展技術分類

自動化

Continuous Delivery 的好處

CI/CD 步驟

將 ML 模型導入正式環境

正式環境中的 ML

在最後一章，你將學習測試機器學習流水線的各種方法，並確保其表現符合預期。你會了解測試 ML 流水線的重要性，並學到測試與驗證 ML 流水線的技巧。

模型可靠性

Options

Testing Pipeline Readiness

Testing for Pipeline Staleness

為 ML Pipeline 的可用狀態與陳舊情形分類測試策略

在 Machine Learning Pipeline 中因應模型陳舊

測試資料

選對測試方法

一致性檢查

測試模型

預測顧客終身價值

選項

Individual Fairness

Group Fairness

公平性的分類

測試產生模型的程式碼

測試機器學習 Pipeline

恭喜你！

測試 ML 流水線

現今多數與機器學習相關的內容都著重在模型訓練與參數調校，但有 90% 的實驗性模型從未進入正式上線的環境，主因是它們一開始就沒有為長期運作而設計。本課程將帶你把思維從機器學習工程轉向 MLOps（Machine Learning Operations），讓你能夠將模型訓練、撰寫文件、維護與擴充落實到位，發揮模型的最大效益。

現今大多數與機器學習相關的內容都著重於模型訓練與參數調整，但有高達 90% 的實驗性模型最終無法投入實際應用，主要原因在於這些模型並未以長期運作為目標來設計。 在本課程中，您將了解如何將思維從機器學習工程轉變為MLOps（機器學習運營）思維，進而協助您訓練、記錄、維護並擴展您的模型，發揮其最大潛能。
輕鬆進行實驗與紀錄
嘗試機器學習模型通常很有趣，但也可能相當耗時。 在這裡，您將學習如何設計可重現的實驗，以加快這個流程，同時為自己和團隊成員撰寫文件，讓未來對資料流程的維護變得輕鬆無比。
打造可用於生產環境的 MLOps 模型
您將學習如何將模型與環境進行最佳化封裝與序列化，以便在正式環境中部署，確保模型能夠長期穩定運作。
擴展並自動化您的機器學習流程
透過考量模型與資料的複雜度以及持續自動化，您可以確保模型能夠擴展至生產環境，並且能夠即時監控與部署。

完成本課程後，您將能夠設計並開發可投入生產環境的機器學習模型，並持續優化這些模型。

MLOps Concepts

Supervised Learning with scikit-learn

轉變為MLOps思維，讓您能夠訓練、記錄、維護及擴展機器學習模型至最大潛力。

Developing Machine Learning Models for Production

培養MLOps思維，讓你能訓練、記錄、維護並擴展機器學習模型，發揮最大效能。

MLOps 基礎

相同的信用評分與收入，卻拿到不同的利率

兩位候選人的資格與經驗極為相似，但一位在第一輪就被刷掉，另一位卻獲得錄用。

某個醫療模型對工廠工作者較不容易推薦有用的治療，因為他們可能產生過多成本。

線上廣告更常向男性而非女性顯示高薪工作機會

警方使用的人臉辨識技術對某些人較不準確，導致錯誤逮捕

公平性的分類

Developing Machine Learning Models for Production

動手互動練習