首先，您将学习 MLOps 的核心特性。您将探索机器学习生命周期、其各个阶段，以及与 MLOps 流程相关的角色。

什么是 MLOps？

解释 MLOps

选项

符合 MLOps 原则的做法

不符合 MLOps 原则的做法

MLOps 原则

MLOps 的不同阶段

机器学习生命周期

设计

开发

部署

各阶段的任务

MLOps 中的角色

您的 MLOps 团队

数据工程师

数据科学家

MLOps 流程中的核心角色

MLOps 简介

接着，您将学习机器学习生命周期中的设计与开发阶段。您将了解价值增量评估、数据质量、特征存储与实验追踪。

MLOps 设计

识别业务需求

关键指标

数据质量与摄取

判定数据质量

数据质量维度

特征工程

提升模型性能

帮朋友出主意

实验跟踪

我们能追踪什么？

跳过实验跟踪

设计与开发

在本章中，您将深入学习与将机器学习部署到生产相关的概念，例如运行时环境、容器化、CI/CD 流水线与部署策略。

为部署做好模型准备

运行时环境

要不要进行容器化

机器学习部署架构

微服务

API 数据流

CI/CD 与部署策略

CI/CD 流水线

部署策略

自动化与扩展

组件如何实现自动化与扩展

MLOps 组件

将机器学习部署到生产环境

最后，您将学习如何在生产中维护机器学习模型，包括统计与计算监控、再训练、不同的 MLOps 成熟度等级，以及可用于简化机器学习生命周期流程的工具。

监控机器学习模型

机器学习监控

统计监控 vs 计算监控

重新训练机器学习模型

漂移示例

再训练

MLOps 成熟度等级

MLOps 成熟度

MLOps 工具

使用工具

选择合适的工具

回顾：MLOps 概念

在生产环境中维护机器学习

Course Glossary

对于任何数据科学家、工程师或管理者而言，理解机器学习运维（MLOps）至关重要，它能帮助将机器学习模型从本地笔记本推进到可在生产环境中运行的模型。本课程将介绍 MLOps 的关键流程、阶段与成熟度等级，包括设计、开发、部署与监控。您将了解自动化如何帮助组织高效上线、监控并更新其机器学习模型。

视频包含实时字幕，您可以点击视频左下角的 "Show transcript" 来展开查看。									
课程术语表位于右侧的资源区域。				
					
如需获得 CPE 学分，您需要完成课程并在合格测评中达到 70% 的分数。您可以点击右侧的 CPE 学分提示进入测评。									

<h2>了解机器学习运维（MLOps）</h2>
理解 MLOps 概念对于任何数据科学家、工程师或领导者来说都至关重要，这样才能将机器学习模型从本地笔记本带到生产环境中正常运行的模型。
<br><br>
在本课程中，您将了解什么是 MLOps，理解 MLOps 流程中的不同阶段，并识别不同级别的 MLOps 成熟度。 在了解了 MLOps 的核心概念后，你将为在实践中持续、可靠且高效地实施机器学习做好充分准备。
<br><br>
<h2>了解如何扩展和自动化机器学习</h2>
我们如何用最少的时间和资源来扩展我们的机器学习项目？以及我们如何自动化流程，以减少对人工干预的需求并提升模型性能？这些是 MLOps 提供答案的机器学习基础问题。
<br><br>
在这门 MLOps 课程中，你将首先了解 MLOps 的基础知识，学习其核心特性以及相关角色。 接下来，你将更详细地了解机器学习生命周期的各个阶段。
<br><br>
随着你的学习进展，你还将了解用于更好地扩展和自动化机器学习运维的系统和工具，包括特征存储、实验跟踪、CI/CD 流水线、微服务和容器化。 你将探索 MLOps 的关键概念，从而更深入地理解它们的应用。

Understanding Machine Learning

Understanding Data Engineering

了解MLOps如何将机器学习模型从本地笔记本转化为生产中产生实际业务价值的模型。

MLOps 概念

了解 MLOps 如何将机器学习模型从本地笔记本带到生产环境中运行，并创造实际业务价值。

面向数据科学家的 AI 工程师助理

机器学习工程师

生产中的机器学习 在 Python 中

MLOps 基础知识

您的 MLOps 团队

MLOps 概念

动手互动练习