本章将为您提供把机器学习模型从研发阶段迁移到生产环境所需的技能和知识。您将了解如何把研究原型演化为可靠、可扩展、易维护的系统。

转变为 MLOps 思维方式

MLOps 的关键方面是什么？

什么是技术债？

编写可维护的 ML 代码

版本控制

代码组织

撰写高质量的机器学习文档

为什么要记录标注方法？

Options

ML 文档

编写可维护的代码

MLOps 最佳实践

从研究到生产

在本章中，您将了解可复现性在机器学习中的重要性，以及如何确保模型在时间推移中仍保持可复现和可信。您将探索多种技术与最佳实践，用于保障模型的可复现性。

设计可复现的实验

ML 可复现性

识别可复现性与可靠性的关键要点

可靠性要素归类

归类可复现性要点与文档实践

特征工程

分类：特征工程目标与技术

识别数据处理与变换技术

特征选择

数据与模型版本控制

模型存储

训练数据的版本控制

确保可复现性

在第 3 章中，您将审视将机器学习模型部署到生产环境所面临的各类挑战。您将学习在生产中部署 ML 模型的多种方法，以及对生产中的 ML 模型进行监控与维护的策略。

打包 ML 模型

序列化与容器化的目标

模型封装顺序

可扩展性

扩展

模型复杂度

扩展技术分类

自动化

持续交付的优势

CI/CD 步骤

将 ML 模型投入生产

生产环境中的 ML

在最后一章中，您将学习测试机器学习流水线的多种方式，并确保其按预期运行。您将了解测试 ML 流水线的重要性，并掌握测试与验证 ML 流水线的技术。

模型可靠性

为 ML Pipeline 的就绪性与陈旧性分类测试策略

在机器学习流水线中应对模型陈旧

测试数据

选择合适的测试

一致性检查

测试模型

预测客户终身价值

公平性分类

测试机器学习流水线

恭喜您！

测试 ML 流水线

当今大量与机器学习相关的内容都聚焦于模型训练和参数调优，但有 90% 的实验性模型从未进入生产，主要原因是它们缺乏可持续性设计。本课程将帮助您将思维从机器学习工程转向 MLOps（机器学习运维），从而最大化发挥模型潜力：有效地训练、记录、维护并进行规模化部署。

当今大部分与机器学习相关的内容都聚焦于模型训练和参数调优，但90%的实验性模型最终都无法投入生产，主要是因为它们并非为长期使用而构建。 在本课程中，你将了解如何将思维方式从机器学习工程思维转变为 MLOps（机器学习运维）思维，从而让你能够以最佳状态训练、记录、维护并扩展你的模型，充分发挥其潜力。
轻松进行实验并记录
尝试机器学习模型通常很有趣，但也很耗时。 在这里，你将学习如何设计可重复的实验，以加快这一过程，同时为自己和团队成员编写文档，让未来在该流水线上的工作轻松许多。
构建用于生产环境的 MLOps 模型
您将学习用于将模型和环境打包与序列化以投入生产的最佳实践，从而确保模型尽可能长久地运行。
扩展并自动化您的机器学习流水线
通过考虑模型和数据复杂性以及持续自动化，您可以确保您的模型能够扩展到生产环境中使用，并且能够在转瞬之间完成监控和部署。

完成本课程后，您将能够设计和开发可投入生产的机器学习模型，并随着时间不断改进它们。

MLOps Concepts

Supervised Learning with scikit-learn

转变为MLOps思维，助您训练、记录、维护和扩展机器学习模型，发挥其最大潜力。

面向生产环境的机器学习模型开发

转向 MLOps 思维，助你训练、记录、维护并扩展你的机器学习模型，充分发挥其潜力。

撰写高质量的机器学习文档

Create Your Free Account