After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Cursusbeschrijving
Meer info over Machine Learning Operations (MLOps)
Het snappen van MLOps-concepten is superbelangrijk voor elke datawetenschapper, engineer of leidinggevende om machine learning-modellen van een lokaal notitieboekje om te zetten in een werkend model in productie.In deze cursus leer je wat MLOps is, krijg je inzicht in de verschillende stappen van MLOps-processen en leer je de verschillende niveaus van MLOps-volwassenheid herkennen. Nadat je de belangrijkste MLOps-concepten hebt geleerd, ben je helemaal klaar om machine learning continu, betrouwbaar en efficiënt te implementeren.
Ontdek hoe machine learning kan worden opgeschaald en geautomatiseerd
Hoe kunnen we onze machine learning-projecten opschalen met zo min mogelijk tijd en middelen? En hoe kunnen we onze processen automatiseren om minder handmatig werk te doen en de prestaties van modellen te verbeteren? Dit zijn belangrijke vragen over machine learning waar MLOps de antwoorden op geeft.In deze MLOps-cursus begin je met het ontdekken van de basis van MLOps, waarbij je kijkt naar de belangrijkste functies en bijbehorende rollen. Vervolgens ga je dieper in op de verschillende fasen van de machine learning-cyclus.
Naarmate je vordert, leer je ook over systemen en tools om machine learning-activiteiten beter te schalen en te automatiseren, zoals feature stores, het volgen van experimenten, CI/CD-pijplijnen, microservices en containerisatie. Je gaat belangrijke MLOps-concepten ontdekken, zodat je beter snapt hoe je ze kunt gebruiken.
Vereisten
Curriculum
Cursusoverzicht
1
Introductie tot MLOps
Eerst leer je over de kernonderdelen van MLOps. Je verkent de machine learning-levenscyclus, de fasen, en de rollen die bij MLOps-processen horen.
2
Ontwerp en ontwikkeling
Vervolgens leer je over de fase van ontwerp en ontwikkeling in de machine learning-levenscyclus. Je verkent waardeschatting, datakwaliteit, feature stores en het bijhouden van experimenten.
3
Machine learning in productie uitrollen
In dit hoofdstuk duik je in de concepten die relevant zijn voor het uitrollen van machine learning naar productie, zoals runtime-omgevingen, containerization, CI/CD-pijplijnen en uitrolstrategieën.
4
Machine learning in productie onderhouden
Tot slot leer je hoe je machine learning in productie onderhoudt, met concepten zoals statistische en computationele monitoring, retraining, verschillende niveaus van MLOps-volwassenheid en tools die binnen de machine learning-levenscyclus gebruikt kunnen worden om processen te vereenvoudigen.
R
MLOps-concepten
Cursus
voltooid
