Build your ultimate AI agent
Kursbeschreibung
Erfahre mehr über Machine Learning Operations (MLOps)
Das Verständnis der MLOps-Konzepte ist für jeden Datenwissenschaftler, Ingenieur oder jede Führungskraft unerlässlich, um Machine-Learning-Modelle von einem lokalen Notebook zu einem funktionierenden Modell in der Produktion zu bringen.In diesem Kurs lernst du, was MLOps ist, verstehst die verschiedenen Phasen des MLOps-Prozesses und erkennst die verschiedenen Reifegrade von MLOps. Nachdem du die wichtigsten MLOps-Konzepte kennengelernt hast, bist du gut gerüstet, um maschinelles Lernen kontinuierlich, zuverlässig und effizient umzusetzen.
Entdecke, wie maschinelles Lernen skaliert und automatisiert werden kann
Wie können wir unsere Machine-Learning-Projekte mit einem Minimum an Zeit und Ressourcen skalieren? Und wie können wir unsere Prozesse automatisieren, um den Bedarf an manuellen Eingriffen zu verringern und die Modellleistung zu verbessern? Das sind grundlegende Fragen des maschinellen Lernens, auf die MLOps die Antworten liefert.In diesem MLOps-Kurs lernst du zunächst die Grundlagen von MLOps kennen, indem du dir die wichtigsten Funktionen und die damit verbundenen Rollen ansiehst. Als Nächstes wirst du die verschiedenen Phasen des Lebenszyklus des maschinellen Lernens genauer kennenlernen.
Im weiteren Verlauf lernst du auch Systeme und Tools kennen, mit denen du maschinelles Lernen besser skalieren und automatisieren kannst, z. B. Feature Stores, Experiment Tracking, CI/CD Pipelines, Microservices und Containerisierung. Du lernst die wichtigsten MLOps-Konzepte kennen und bekommst ein besseres Verständnis für ihre Anwendung.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung in MLOps
Zuerst lernst du die Kernelemente von MLOps kennen. Du erkundest den Machine-Learning-Lebenszyklus, seine Phasen und die Rollen, die mit MLOps-Prozessen verbunden sind.
2
Design und Entwicklung
Anschließend lernst du die Design- und Entwicklungsphase im Machine-Learning-Lebenszyklus kennen. Du befasst dich mit Nutzenabschätzung, Datenqualität, Feature Stores und Experiment-Tracking.
3
Machine Learning in Produktion bereitstellen
In diesem Kapitel tauchst du in Konzepte zur Bereitstellung von Machine Learning in Produktion ein, etwa Laufzeitumgebungen, Containerisierung, CI/CD-Pipelines und Bereitstellungsstrategien.
4
Machine Learning in Produktion betreiben
Abschließend lernst du, wie Machine Learning in Produktion betrieben wird – mit Themen wie statistischem und rechnerischem Monitoring, Retraining, verschiedenen MLOps-Reifegraden und Tools, die im Machine-Learning-Lebenszyklus Prozesse vereinfachen.
R
MLOps-Konzepte
Kurs
abgeschlossen
