Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
MLOps is een reeks methodes die zijn ontwikkeld om je te helpen bij het implementeren en onderhouden van machine learning-modellen in productie. Tegenwoordig is MLOps in de industrie en het onderzoek super populair als een manier om ervoor te zorgen dat ML-systemen echt iets opleveren.
Ontdek volledige automatisering in MLOps
In deze cursus leer je hoe je automatisering in MLOps kunt gebruiken om ML-systemen te implementeren die op de lange termijn waarde opleveren. Je leert hoe verborgen technische schulden ML-systemen en de waarde die ze opleveren beïnvloeden. Je zult ook snappen hoe het automatiseren en stroomlijnen van de fasen van de ML-levenscyclus kan helpen bij de werking en schaalbaarheid van ML-systemen.Meer info over MLOps-architectuur
Je gaat met praktische en interactieve oefeningen aan de slag om te leren over de onderdelen van een MLOps-architectuur en hoe deze nodig zijn om ML-systemen helemaal automatisch te laten werken.Ontdek CI/CD/CM/CT MLOps-technieken
Naarmate je vordert, leer je hoe geautomatiseerde CI/CD, samen met Continuous Monitoring (CM) en Continuous Training (CT), belangrijke technieken zijn om technische schulden in je ML-implementaties te voorkomen.Begrijp automatisering in implementatiestrategieën
Aan het einde van de cursus snap je hoe automatisering met MLOps je ML-systemen beter in de praktijk kan brengen, waardoor je implementaties robuuster en schaalbaarder worden.Begin met leren, doe kennis op in dit super populaire vakgebied en ontdek hoe je automatisering kunt gebruiken bij het ontwerpen van MLOps-systemen.
Vereisten
Lesprogramma
Cursusoverzicht
1
Introductie: naar volledig geautomatiseerde MLOps
In dit eerste hoofdstuk motiveren we het gebruik van MLOps in een industriële omgeving. Je leert waarom het belangrijk is om waardecreatie in bedrijven te ondersteunen. Je frist ook de ML-fasen op, met de focus op hoe MLOps deze versterkt. Aan het einde van het hoofdstuk verken je een referentie-architectuur voor een volledig geautomatiseerd MLOps-systeem. Die architectuur gebruik je vervolgens om componenten te onderzoeken die belangrijk zijn voor elk MLOps-systeem en als startpunt voor de rest van de cursus.
- Introductie tot volledig geautomatiseerde MLOps50 XP
- Verborgen technische schuld moet worden afgelost50 XP
- Verborgen technische schuld in ML is anders100 XP
- Fasen van de MLOps-levenscyclus50 XP
- Volledig geautomatiseerde MLOps50 XP
- Automatiseren of niet automatiseren...50 XP
- Schaalbaar bouwen100 XP
- Referentiearchitectuur: volledig geautomatiseerde MLOps50 XP
- Referentiearchitecturen in IT en MLOps50 XP
- MLOps-architectuurcomponenten100 XP
2
Architectuur voor volledig geautomatiseerde MLOps
In dit hoofdstuk ga je verder met het verkennen van de cruciale componenten van een volledig geautomatiseerd MLOps-systeem. Eerst bekijk je het belang van orkestratie in MLOps en hoe dit helpt om de efficiëntie en schaalbaarheid van ML-pijplijnen te waarborgen. Daarna onderzoek je de verschillende deploymentstrategieën in MLOps en leer je hoe je de juiste strategie voor jouw systeem kiest. Tot slot leer je over CI/CD/CT/CM en hoe dit orkestratie en best practices aanvult om volledige automatisering in MLOps-systemen te bereiken. Met deze lessen op zak ben je beter in staat een volledig geautomatiseerd MLOps-systeem te bouwen dat efficiënt, nauwkeurig en betrouwbaar is.
3
Automatiseringspatronen
In dit hoofdstuk duik je in de wereld van automatisering en leer je hoe je veerkrachtigere en efficiëntere ML-systemen ontwerpt. Je begint met de basis van automatisering in MLOps-systemen en ontdekt daarna de kracht van ontwerppatronen en failsafes. Je leert ook hoe je geautomatiseerd testen in MLOps-systemen implementeert en hoe je hyperparameter tuning inzet om je modellen en workflows te optimaliseren. Aan het einde van dit hoofdstuk beschik je over de vaardigheden en kennis om volledig geautomatiseerde MLOps-systemen te bouwen en te beheren die zowel efficiënt als betrouwbaar zijn.
4
Automatisering in MLOps-deploys
In dit laatste hoofdstuk ga je in op de cruciale componenten van een geautomatiseerde MLOps-architectuur. Van geautomatiseerde experimenttracking en de model registry tot het verkennen van de feature store en de rol van de metadata store: dit hoofdstuk geeft je een volledig beeld van de finesses van een volledig geautomatiseerd MLOps-systeem. Of je nu een ervaren ML-practitioner bent of net begint, dit hoofdstuk biedt je de kennis en vaardigheden om geautomatiseerde MLOps-workflows te ontwerpen.
R
Volledig geautomatiseerde MLOps
Cursus
voltooid
