Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
MLOps-Bereitstellung und Lebenszyklus
Schau dir das moderne MLOps-Framework an, einschließlich des Lebenszyklus und der Bereitstellung von Machine-Learning-Modellen. In diesem Kurs lernst du, ML-Code zu schreiben, der technische Schulden minimiert, findest heraus, welche Tools du für die Bereitstellung und Überwachung deiner Modelle brauchst, und schaust dir die verschiedenen Arten von Umgebungen und Analysen an, denen du begegnen wirst.Erfahre mehr über den MLOps-Lebenszyklus
Nachdem du deine Daten gesammelt, vorbereitet und gekennzeichnet hast, mehrere Experimente mit verschiedenen Modellen durchgeführt und dein Konzept mit einem Champion-Modell bestätigt hast, ist es Zeit für die nächsten Schritte. Selbst entwickeln Bereitstellen. Überwachen Wartung. Das ist der Lebenszyklus deines Modells, wenn es für die Produktion vorgesehen ist. Das ist der Ops-Teil von MLOps.In diesem Kurs lernst du, wie du das zweite Kapitel der Reise deines Modells zur Wertschöpfung meistern kannst, das den Maßstab für viele weitere Kapitel setzt. Du startest damit, den MLOps-Lebenszyklus zu erkunden und lernst dabei, wie wichtig MLOps ist und welche funktionalen Komponenten für die Modellentwicklung, -bereitstellung, -überwachung und -wartung wichtig sind.Entwickle ML-Code für die Bereitstellung
Als Nächstes lernst du, wie du Modelle für die Bereitstellung entwickelst und wie du effektiven ML-Code schreibst, Tools nutzt und ML-Pipelines trainierst. Im Laufe des Kurses lernst du, wie du deine Modelle bereitstellst, verschiedene Bereitstellungsumgebungen kennen und wann du sie am besten einsetzt. Du wirst auch Strategien entwickeln, um bestehende Produktionsmodelle zu ersetzen, und APIs checken.Lerne, wie du deine Modelle überwachen kannst
Wenn du den Kurs machst, lernst du die wichtigen Leistungskennzahlen kennen, die für die Überwachung und Wartung deiner ML-Modelle wichtig sind. Du lernst was über Drift-Überwachung in der Produktion sowie über Modell-Feedback, Updates und Governance.Wenn du fertig bist, wirst du wissen, wie du den MLOps-Lebenszyklus nutzen kannst, um deine eigenen Modelle in der Produktion einzusetzen.Voraussetzungen
Lernprogramm
Kursübersicht
1
MLOps kurz und bündig
Dieses Kapitel gibt einen Überblick über MLOps-Grundsätze und Framework-Komponenten, die für Bereitstellung und Lebenszyklus wichtig sind.
2
Entwickeln für die Bereitstellung
Dieses Kapitel widmet sich all den Überlegungen, die wir bereits in der Entwicklungsphase anstellen müssen, damit es in der Betriebsphase reibungslos läuft.
Unser Ziel ist es zu erklären, wie man das Modell nach MLOps-Best Practices trainiert und ein Modellpaket erstellt, das eine reibungslose Bereitstellung, Reproduzierbarkeit und Monitoring nach der Bereitstellung ermöglicht.
3
Bereitstellen und Betreiben
Dieses Kapitel behandelt wichtige Fragen zum Modelbetrieb, zum Beispiel:
- Auf welche verschiedenen Arten können wir unsere Modelle bereitstellen?
- Was ist eine API und welche Kernfunktionen hat sie?
- Wie testen wir unseren Service gründlich, bevor wir ihn Endnutzer:innen zur Verfügung stellen?
- Wie aktualisieren wir Modelle in der Produktion ohne Dienstunterbrechung?
Du lernst Batch-Vorhersagen, Echtzeitvorhersagen, Validierung von Eingabe- und Ausgabedaten, Unit-Tests, Integrationstests, Canary Deployment und vieles mehr kennen.
4
Überwachen und Warten
Dieses letzte Kapitel widmet sich dem Überwachen und Warten von ML-Services nach der Bereitstellung sowie der Modellgovernance.
Du behandelst zentrale Konzepte wie Verifizierungslatenz, Kovariatendrift, Konzeptdrift, Human-in-the-Loop-Systeme und mehr.
R
MLOps-Bereitstellung und Lebenszyklus
Kurs
abgeschlossen
