Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Implementación y ciclo de vida de MLOps
Explora el marco moderno de MLOps, incluyendo el ciclo de vida y la implementación de modelos de machine learning. En este curso, aprenderás a escribir código ML que minimice la deuda técnica, descubrirás las herramientas que necesitarás para implementar y supervisar tus modelos, y examinarás los diferentes tipos de entornos y análisis con los que te encontrarás.Más información sobre el ciclo de vida de MLOps
Una vez que hayas recopilado, preparado y etiquetado tus datos, realizado numerosos experimentos con diferentes modelos y demostrado tu concepto con un modelo campeón, es hora de pasar a los siguientes pasos. Construye Implementar. Monitor. Mantener. Ese es el ciclo de vida de tu modelo una vez que está destinado a la producción. Esa es la parte de operaciones (Ops) de MLOps.Este curso te enseñará cómo navegar por el segundo capítulo del viaje de tu modelo hacia la entrega de valor, estableciendo el punto de referencia para muchos más que vendrán. Comenzarás explorando el ciclo de vida de MLOps, descubriendo la importancia de MLOps y los componentes funcionales clave para el desarrollo, la implementación, la supervisión y el mantenimiento de modelos.Desarrollar código ML para su implementación
A continuación, aprenderás a desarrollar modelos para su implementación y a escribir código de ML eficaz, aprovechar herramientas y entrenar canalizaciones de ML. A medida que avances, aprenderás cómo implementar tus modelos, explorando diferentes entornos de implementación y cuándo utilizarlos. También desarrollarás estrategias para sustituir los modelos de producción existentes y examinarás las API.Aprende a supervisar tus modelos
A medida que completes el curso, descubrirás las métricas de rendimiento cruciales que hay detrás de la supervisión y el mantenimiento de tus modelos de aprendizaje automático. Aprenderás sobre la supervisión de desviaciones en la producción, así como sobre la retroalimentación de modelos, las actualizaciones y la gobernanza.Cuando termines, comprenderás cómo puedes utilizar el ciclo de vida de MLOps para implementar tus propios modelos en producción.Requisitos previos
Programa de formación
Contenido del curso
1
MLOps en pocas palabras
Este capítulo ofrece una visión general de alto nivel de los principios de MLOps y de los componentes del marco importantes para el despliegue y el ciclo de vida.
- El marco moderno de MLOps50 XP
- Flujos de trabajo de ML100 XP
- Beneficios de MLOps50 XP
- Fases del ciclo de vida50 XP
- Aplicación vs. modelo100 XP
- Retirada50 XP
- El ciclo de vida del modelo: recapitulación100 XP
- Componentes de MLOps50 XP
- Secuencia automatizada50 XP
- Almacenes y registros100 XP
- ¿DevOps o MLOps?100 XP
2
Desarrollar para desplegar
Este capítulo está dedicado a todas las consideraciones que debemos tener ya en la fase de desarrollo para garantizar que todo fluya cuando lleguemos a operaciones.
Nuestro objetivo final es explicar cómo entrenar el modelo siguiendo las mejores prácticas de MLOps y construir un paquete de modelo que facilite un despliegue fluido, la reproducibilidad y la monitorización tras el despliegue.
3
Desplegar y ejecutar
Este capítulo aborda cuestiones críticas de operaciones de modelos como:
- ¿De qué formas podemos servir nuestros modelos?
- ¿Qué es una API y cuáles son sus funcionalidades clave?
- ¿Cómo probamos a fondo nuestro servicio antes de ponerlo a disposición de las personas usuarias finales?
- ¿Cómo actualizamos modelos en producción sin interrumpir el servicio?
Aprenderás sobre predicción por lotes, predicción en tiempo real, validación de datos de entrada y salida, pruebas unitarias, pruebas de integración, despliegue canario y mucho más.
4
Monitorizar y mantener
Este capítulo final está dedicado a la monitorización y el mantenimiento de servicios de ML después de su despliegue, así como a la gobernanza de modelos.
Verás conceptos clave como latencia de verificación, cambio de covariables, deriva de concepto, sistemas con intervención humana y más.
R
Despliegue y ciclo de vida en MLOps
Curso
completado
