After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Cursusbeschrijving
Veel van de huidige informatie over machine learning gaat over het trainen van modellen en het afstemmen van parameters, maar 90% van de experimentele modellen haalt de productie nooit, vooral omdat ze niet zijn gebouwd om lang mee te gaan. In deze cursus zie je hoe je door je mindset te veranderen van machine learning engineering naar MLOps (Machine Learning Operations) je modellen optimaal kunt trainen, documenteren, onderhouden en opschalen.
Experimenteer en documenteer makkelijk
Experimenteren met ML-modellen is vaak leuk, maar kan best tijdrovend zijn. Hier leer je hoe je experimenten kunt ontwerpen die je steeds opnieuw kunt doen om dit proces te versnellen, terwijl je documentatie maakt voor jezelf en je teamgenoten, waardoor toekomstig werk aan de pijplijn een fluitje van een cent wordt.MLOps-modellen bouwen voor productie
Je leert de beste manieren om zowel modellen als omgevingen voor productie te verpakken en te serialiseren, zodat modellen zo lang mogelijk meegaan.Schaal je ML-pijplijnen op en automatiseer ze
Door rekening te houden met de complexiteit van modellen en gegevens en door te gaan met automatisering, kun je ervoor zorgen dat je modellen geschikt zijn voor productiegebruik en in een handomdraai kunnen worden gecontroleerd en geïmplementeerd.Als je deze cursus hebt gedaan, kun je machine learning-modellen ontwerpen en ontwikkelen die klaar zijn voor productie en deze in de loop van de tijd steeds beter maken.
Vereisten
Curriculum
Cursusoverzicht
1
Van onderzoek naar productie
Dit hoofdstuk geeft je de kennis en vaardigheden om je Machine Learning-modellen van de onderzoeks- en ontwikkelfase naar een productieomgeving te brengen. Je leert over de overgang van een onderzoeksprototype naar een betrouwbaar, schaalbaar en onderhoudbaar systeem.
2
Reproduceerbaarheid waarborgen
In dit hoofdstuk leer je over het belang van reproduceerbaarheid in Machine Learning, en hoe je ervoor zorgt dat je modellen in de tijd reproduceerbaar en betrouwbaar blijven. Je verkent verschillende technieken en best practices die je kunt gebruiken om de reproduceerbaarheid van je modellen te garanderen.
3
ML in productieomgevingen
In hoofdstuk 3 bekijk je de verschillende uitdagingen bij het uitrollen van Machine Learning-modellen naar productieomgevingen. Je leert over uiteenlopende aanpakken voor het deployen van ML-modellen in productie en over strategieën voor het monitoren en onderhouden van ML-modellen in productie.
4
ML-pijplijnen testen
In het laatste hoofdstuk leer je over verschillende manieren om Machine Learning-pijplijnen te testen en te zorgen dat ze presteren zoals verwacht. Je ontdekt het belang van het testen van ML-pijplijnen en leert technieken voor het testen en valideren van ML-pijplijnen.
R
Machine Learning-modellen ontwikkelen voor productie
Cursus
voltooid
