Dopo aver seguito questi corsi, mi sento sicuro nel creare visualizzazioni e dashboard professionali
Shoebur RahmanSpecialista degli acquisti, Giz Bangladesh
Descrizione del corso
MLOps è l'insieme di pratiche sviluppate per aiutarti a implementare e mantenere modelli di machine learning in produzione. Oggi, nell'industria e nella ricerca, MLOps è al centro dell'attenzione come modo per garantire che i sistemi ML producano valore.
Scopri la completa automazione in MLOps
In questo corso imparerai come usare l'automazione in MLOps per implementare sistemi ML in grado di fornire valore nel tempo. Scoprirai come il debito tecnico nascosto influisce sui sistemi di ML e sul valore che generano. Capirai anche come automatizzare e semplificare le fasi del ciclo di vita del ML possa aiutare il funzionamento e il ridimensionamento dei sistemi ML.Scopri l'architettura MLOps
Farai esercizi pratici e interattivi per capire i componenti di un'architettura MLOps e come questi siano importanti per automatizzare completamente i sistemi ML.Scopri le tecniche CI/CD/CM/CT MLOps
Man mano che vai avanti, scoprirai come la CI/CD automatizzata, insieme al monitoraggio continuo (CM) e alla formazione continua (CT), siano tecniche fondamentali per evitare il debito tecnico nelle tue implementazioni ML.Capire l'automazione nelle strategie di implementazione
Alla fine del corso, capirai come l'automazione con MLOps può migliorare il modo in cui distribuisci i tuoi sistemi ML nel mondo reale, rendendo le tue distribuzioni più robuste e scalabili.Inizia a studiare, impara cose nuove in questo campo super richiesto e scopri come usare l'automazione quando crei sistemi MLOps.
Prerequisiti
Programma
Struttura del corso
1
Introduzione: a MLOps completamente automatizzato
In questo primo capitolo motiviamo l’uso di MLOps in un contesto industriale. Imparerai perché è importante per sostenere la generazione di valore nelle aziende. Ripasserai anche le fasi del ML, concentrandoti su come MLOps le potenzia. Alla fine del capitolo, esplorerai un’architettura di riferimento per un sistema MLOps completamente automatizzato. Userai poi questa architettura per analizzare i componenti importanti per qualsiasi sistema MLOps e come punto di partenza per il resto del corso.
- Introduzione a MLOps completamente automatizzato50 XP
- Il debito tecnico nascosto va ripagato50 XP
- Il debito tecnico nascosto nel ML è diverso100 XP
- Fasi del ciclo di vita MLOps50 XP
- MLOps completamente automatizzato50 XP
- Automatizzare o non automatizzare...50 XP
- Progettare per la scalabilità100 XP
- Architettura di riferimento: MLOps completamente automatizzato50 XP
- Architetture di riferimento in IT e MLOps50 XP
- Componenti dell'architettura MLOps100 XP
2
Architettura di MLOps completamente automatizzato
In questo capitolo continuerai a esplorare i componenti critici che costituiscono un sistema MLOps completamente automatizzato. Per prima cosa, esaminerai l’importanza dell’orchestrazione in MLOps e come aiuta a garantire l’efficienza e la scalabilità delle pipeline di ML. Successivamente, analizzerai le diverse strategie di distribuzione in MLOps e imparerai a scegliere quella giusta per il tuo sistema. Infine, imparerai CI/CD/CT/CM e come queste pratiche completino l’orchestrazione e le buone pratiche per ottenere un’automazione completa nei sistemi MLOps. Con queste lezioni alle spalle, sarai più preparato a costruire un sistema MLOps completamente automatizzato che sia efficiente, accurato e affidabile.
3
Pattern di automazione
In questo capitolo entrerai nel mondo dell’automazione e imparerai a progettare sistemi di ML più resilienti ed efficienti. Inizierai comprendendo i fondamenti dell’automazione nei sistemi MLOps, per poi scoprire la potenza dei pattern di progettazione e dei meccanismi fail-safe. Imparerai anche a implementare test automatizzati nei sistemi MLOps e a usare l’hyperparameter tuning per ottimizzare modelli e flussi di lavoro. Alla fine di questo capitolo, avrai le competenze e le conoscenze necessarie per creare e gestire sistemi MLOps completamente automatizzati che siano al tempo stesso efficienti e affidabili.
4
Automazione nelle distribuzioni MLOps
In questo capitolo finale approfondirai i componenti cruciali di un’architettura MLOps automatizzata. Dalla comprensione del tracciamento automatico degli esperimenti e del model registry all’esplorazione del feature store e del ruolo del metadata store, questo capitolo è pensato per darti una comprensione completa delle complessità di un sistema MLOps completamente automatizzato. Che tu sia un professionista ML esperto o agli inizi, questo capitolo ti fornirà le conoscenze e le abilità necessarie per progettare workflow MLOps automatizzati.
R
MLOps completamente automatizzato
Corso
completato
