50 % Rabatt auf DataCamp Premium. Über 700 Kurse zum halben Preis. Beginne jetzt mit dem Lernen.
Kursbeschreibung
Viele der heutigen Inhalte zum maschinellen Lernen drehen sich um das Training von Modellen und die Optimierung von Parametern, aber 90 % der experimentellen Modelle schaffen es nie in die Produktion, vor allem weil sie nicht auf Dauer angelegt sind. In diesem Kurs lernst du, wie du durch einen Wechsel deiner Denkweise von Machine Learning Engineering zu MLOps (Machine Learning Operations) deine Modelle optimal trainieren, dokumentieren, pflegen und skalieren kannst.
Einfach experimentieren und dokumentieren
Mit ML-Modellen rumzuexperimentieren macht oft Spaß, kann aber echt viel Zeit fressen. Hier lernst du, wie du reproduzierbare Experimente planst, um diesen Prozess zu beschleunigen, während du gleichzeitig Dokumentationen für dich und deine Teamkollegen schreibst, was die zukünftige Arbeit an der Pipeline zum Kinderspiel macht.MLOps-Modelle für die Produktion erstellen
Du lernst die besten Methoden zum Verpacken und Serialisieren von Modellen und Umgebungen für die Produktion kennen, damit die Modelle möglichst lange halten.Skalier und automatisier deine ML-Pipelines
Wenn du die Komplexität der Modelle und Daten sowie die kontinuierliche Automatisierung berücksichtigst, kannst du sicherstellen, dass deine Modelle für den Produktionseinsatz skaliert werden und im Handumdrehen überwacht und bereitgestellt werden können.Wenn du diesen Kurs abgeschlossen hast, kannst du Machine-Learning-Modelle entwerfen und entwickeln, die einsatzbereit sind, und sie im Laufe der Zeit immer weiter verbessern.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Vom Research in die Produktion
In diesem Kapitel erhältst du die Fähigkeiten und das Wissen, um deine Machine-Learning-Modelle aus der Forschungs- und Entwicklungsphase in eine Produktionsumgebung zu überführen. Du lernst den Weg vom Forschungsprototyp zu einem zuverlässigen, skalierbaren und wartbaren System kennen.
- Eine MLOps-Denkweise übernehmen50 XP
- Was ist ein zentraler Aspekt von MLOps?50 XP
- Was sind technische Schulden?50 XP
- Wartbaren ML-Code schreiben50 XP
- Versionskontrolle50 XP
- Code-Organisation50 XP
- Effektive ML-Dokumentation schreiben50 XP
- Warum Methoden zum Labeln dokumentieren?50 XP
- MLOps Best Practices100 XP
2
Reproduzierbarkeit sicherstellen
In diesem Kapitel lernst du, warum Reproduzierbarkeit im Machine Learning so wichtig ist und wie du sicherstellst, dass deine Modelle auch langfristig reproduzierbar und verlässlich bleiben. Du entdeckst verschiedene Techniken und Best Practices, mit denen du die Reproduzierbarkeit deiner Modelle garantieren kannst.
3
ML in Produktionsumgebungen
In Kapitel 3 beschäftigst du dich mit den Herausforderungen bei der Bereitstellung von Machine-Learning-Modellen in Produktionsumgebungen. Du lernst unterschiedliche Ansätze für das Deployment von ML-Modellen in der Produktion kennen sowie Strategien für das Monitoring und den laufenden Betrieb von ML-Modellen.
4
ML-Pipelines testen
Im letzten Kapitel lernst du verschiedene Möglichkeiten kennen, ML-Pipelines zu testen und sicherzustellen, dass sie wie erwartet funktionieren. Du erfährst, warum das Testen von ML-Pipelines entscheidend ist, und lernst Techniken zum Testen und Validieren von ML-Pipelines.
R
ML-Modelle für den Produktionseinsatz entwickeln
Kurs
abgeschlossen
