Last chance! 50% off DataCamp Premium
Sale ends in
Descrizione del corso
Gran parte dei contenuti attuali sul machine learning si concentra sull'addestramento dei modelli e sulla regolazione dei parametri, ma il 90% dei modelli sperimentali non arriva mai alla produzione, soprattutto perché non sono stati progettati per durare nel tempo. In questo corso scoprirai come cambiare il tuo modo di pensare, passando da un approccio ingegneristico al machine learning a uno MLOps (Machine Learning Operations), ti permetterà di addestrare, documentare, mantenere e scalare i tuoi modelli al massimo delle loro potenzialità.
Sperimenta e documenta con facilità
Provare i modelli ML è spesso divertente, ma può richiedere un sacco di tempo. Qui imparerai come progettare esperimenti che si possono ripetere per velocizzare questo processo mentre scrivi la documentazione per te e i tuoi colleghi, rendendo il lavoro futuro sulla pipeline un gioco da ragazzi.Crea modelli MLOps per la produzione
Imparerai le migliori pratiche per il packaging e la serializzazione sia dei modelli che degli ambienti di produzione, per garantire che i modelli durino il più a lungo possibile.Scala e automatizza le tue pipeline ML
Tenendo conto della complessità dei modelli e dei dati e dell'automazione continua, puoi assicurarti che i tuoi modelli siano scalabili per l'uso in produzione e possano essere monitorati e implementati in un batter d'occhio.Una volta finito questo corso, potrai progettare e sviluppare modelli di machine learning pronti per essere usati e migliorarli sempre di più nel tempo.
Prerequisiti
Programma
Struttura del corso
1
Dalla ricerca alla produzione
Questo capitolo ti fornirà le competenze e le conoscenze necessarie per portare i tuoi modelli di Machine Learning dalla fase di ricerca e sviluppo a un ambiente di produzione. Imparerai come passare da un prototipo di ricerca a un sistema affidabile, scalabile e manutenibile.
- Adottare una mentalità MLOps50 XP
- Qual è un aspetto chiave dell’MLOps?50 XP
- Che cos'è il debito tecnico?50 XP
- Scrivere codice di ML mantenibile50 XP
- Controllo versione50 XP
- Organizzazione del codice50 XP
- Scrivere documentazione ML efficace50 XP
- Perché documentare i metodi di labeling?50 XP
- Best practice di MLOps100 XP
2
Garantire la riproducibilità
In questo capitolo scoprirai l’importanza della riproducibilità nel Machine Learning e come fare in modo che i tuoi modelli restino riproducibili e affidabili nel tempo. Esplorerai diverse tecniche e buone pratiche che puoi utilizzare per garantire la riproducibilità dei tuoi modelli.
3
ML negli ambienti di produzione
Nel Capitolo 3 esaminerai le varie sfide legate al deployment dei modelli di Machine Learning negli ambienti di produzione. Imparerai i diversi approcci per distribuire modelli di ML in produzione e le strategie per monitorare e mantenere i modelli di ML in produzione.
4
Testare le pipeline di ML
Nel capitolo finale apprenderai i diversi modi per testare le pipeline di Machine Learning e verificare che si comportino come previsto. Scoprirai l’importanza del testing delle pipeline di ML e imparerai tecniche per testare e validare le pipeline di ML.
R
Sviluppare modelli di Machine Learning per la produzione
Corso
completato
