After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
Implementazione e ciclo di vita MLOps
Scopri il moderno framework MLOps, compreso il ciclo di vita e l'implementazione dei modelli di machine learning. In questo corso imparerai a scrivere codice ML che riduce al minimo il debito tecnico, scoprirai gli strumenti necessari per implementare e monitorare i tuoi modelli ed esaminerai i diversi tipi di ambienti e analisi che incontrerai.Scopri il ciclo di vita MLOps
Dopo aver raccolto, preparato ed etichettato i tuoi dati, aver fatto un sacco di esperimenti su diversi modelli e aver dimostrato che la tua idea funziona con un modello vincente, è ora di passare alle fasi successive. Costruire Distribuisci. Monitorare. Mantenere. Questo è il ciclo di vita del tuo modello una volta che è pronto per la produzione. Questa è la parte Ops di MLOps.Questo corso ti mostrerà come affrontare la seconda fase del percorso del tuo modello verso la creazione di valore, stabilendo uno standard di riferimento per molti altri che seguiranno. Inizierai esplorando il ciclo di vita di MLOps, scoprendo quanto sia importante MLOps e quali sono le parti fondamentali per sviluppare, implementare, monitorare e mantenere i modelli.Sviluppare codice ML per la distribuzione
Poi, imparerai come creare modelli da usare e come scrivere codice ML che funzioni, usare gli strumenti e addestrare le pipeline ML. Man mano che vai avanti, imparerai come distribuire i tuoi modelli, scoprendo diversi ambienti di distribuzione e quando usarli. Svilupperai anche strategie per sostituire i modelli di produzione attuali e darai un'occhiata alle API.Scopri come tenere d'occhio i tuoi modelli
Finendo il corso, scoprirai le metriche di performance fondamentali per monitorare e mantenere i tuoi modelli ML. Imparerai a monitorare la deriva nella produzione, oltre a cose come il feedback dei modelli, gli aggiornamenti e la governance.Quando avrai finito, capirai come usare il ciclo di vita MLOps per mettere in produzione i tuoi modelli.Prerequisiti
Curriculum
Programma del corso
1
MLOps in breve
Questo capitolo offre una panoramica ad alto livello dei principi MLOps e dei componenti del framework importanti per il deployment e il ciclo di vita.
2
Sviluppare per il deployment
Questo capitolo è dedicato a tutte le considerazioni da fare già in fase di sviluppo, per garantirti un percorso fluido quando arriverai alle operations.
Il nostro obiettivo finale è spiegare come addestrare il modello seguendo le best practice MLOps e costruire un pacchetto del modello che abiliti un deployment senza intoppi, la riproducibilità e il monitoraggio post-deployment.
3
Distribuire ed eseguire
Questo capitolo affronta domande cruciali sulle operazioni del modello, come:
- In quali modi possiamo servire i nostri modelli?
- Che cos’è un’API e quali sono le sue funzionalità chiave?
- Come testiamo a fondo il nostro servizio prima di renderlo disponibile agli utenti finali?
- Come aggiorniamo i modelli in produzione senza interrompere il servizio?
Imparerai a conoscere le predizioni batch, le predizioni in tempo reale, la validazione dei dati in input e output, i test unitari, i test di integrazione, il canary deployment e molto altro.
4
Monitorare e mantenere
Questo capitolo finale è dedicato al monitoraggio e alla manutenzione dei servizi ML dopo il deployment, oltre che alla governance del modello.
Tratterai concetti fondamentali come verification latency, covariate shift, concept drift, sistemi human-in-the-loop e altro ancora.
R
Deployment e ciclo di vita in MLOps
Corso
completato
