你將先學習 MLOps 的核心特性。接著探索機器學習生命週期、其各個階段，以及與 MLOps 流程相關的角色分工。

什麼是 MLOps？

解釋 MLOps

MLOps 原則

MLOps 的不同階段

機器學習生命週期

各階段的任務

MLOps 中的角色

你的 MLOps 團隊

MLOps 流程中的核心角色

MLOps 入門

接下來，你將學到機器學習生命週期中的設計與開發階段。你會探索價值增益評估、資料品質、特徵儲存，以及實驗追蹤。

MLOps 設計

辨識商業需求

關鍵指標

資料品質與匯入

判定資料品質

資料品質面向

特徵工程

提升模型效能

幫朋友一把

實驗追蹤

我們可以追蹤什麼？

省略實驗追蹤

設計與開發

本章將帶你深入了解把機器學習部署到生產環境的相關概念，例如執行階段環境、容器化、CI/CD 流程，以及部署策略。

為部署準備模型

執行環境（Runtime environments）

要不要使用容器化？

機器學習部署架構

Microservice

API 請求流程

API 資料流程

CI/CD 與部署策略

CI/CD 管線

選項

基本部署

陰影部署

金絲雀部署

部署策略

自動化與擴充

容器化

CI/CD pipeline

元件如何自動化與擴展

MLOps 元件

將機器學習部署到生產環境

最後，你將學到如何在生產環境維護機器學習，包含統計與運算監控、再訓練、不同的 MLOps 成熟度層級，以及可用於機器學習生命週期中以簡化流程的工具。

監控機器學習模型

機器學習監控

統計監控 vs. 運算監控

重新訓練機器學習模型

漂移的例子

再訓練

MLOps 成熟度層級

MLOps 成熟度

MLOps 成熟度等級

MLOps 工具

使用工具

選對工具

重點回顧：MLOps 概念

在生產環境維護機器學習

Course Glossary

對任何資料科學家、工程師或主管而言，理解 Machine Learning Operations（MLOps）對於把機器學習模型從本機筆記本推向可在生產環境運作的模型至關重要。本課程將帶你認識 MLOps 的關鍵流程、階段與成熟度層級，涵蓋設計、開發、部署與監控。你將了解自動化如何協助組織有效發佈、監控並更新機器學習模型。

影片提供即時逐字稿，你可以點擊影片左下角的「Show transcript」顯示。									
課程術語表可在右側的資源區找到。				
					
若要取得 CPE 學分，你需要完成課程並在合格評量中達到 70% 的成績。你可以點擊右側的 CPE 學分提示前往評量。									

<h2>了解機器學習運營（MLOps）</h2>
了解MLOps 概念對於任何資料科學家、工程師或領導者來說都至關重要，因為這能協助您將機器學習模型從本地筆記本推展到實際運作的生產環境。
<br><br>
在本課程中，您將學習什麼是 MLOps，了解 MLOps 流程中的不同階段，並辨識 MLOps 成熟度的不同層級。 在學習了關鍵的 MLOps 概念後，您將具備持續、可靠且高效實施機器學習的能力，為您的學習旅程打下堅實基礎。
<br><br>
<h2>探索如何擴展與自動化機器學習</h2>
我們如何能以最少的時間和資源，擴展我們的機器學習專案？我們如何自動化流程，以減少人工干預並提升模型效能？這些都是基本的機器學習問題，而MLOps正是為這些問題提供解答的關鍵。
<br><br>
在本門 MLOps 課程中，您將從探索 MLOps 的基礎開始，了解其核心特點及相關職能。 接下來，您將更深入地探索機器學習生命週期的各個階段。
<br><br>
隨著您的學習進展，您也將了解各種系統與工具，以更有效地擴展並自動化機器學習作業，包括 feature stores、實驗追蹤、CI/CD 管線、微服務以及容器化。 您將深入探索關鍵的 MLOps 概念，讓您更清楚了解其實際應用。

Understanding Machine Learning

Understanding Data Engineering

了解如何透過MLOps將機器學習模型從本地筆記本轉化為生產中具商業價值的模型。

MLOps 概念

學習如何運用MLOps，將機器學習模型從本地筆記本部署到生產環境，創造實際商業價值。

AI 工程師助理職涯路徑（適合資料科學家）

機器學習工程師

機器學習在實務應用 使用 Python

MLOps 基礎

API 將輸入資料傳給機器學習模型

機器學習模型根據新的輸入資料進行預測

API 將模型預測結果回傳給應用程式

API 資料流程

MLOps 概念

動手互動練習