After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Cursusbeschrijving
MLOps-implementatie en levenscyclusbeheer
Ontdek het moderne MLOps-framework, inclusief de levenscyclus en implementatie van machine learning-modellen. In deze cursus leer je ML-code schrijven die technische schulden minimaliseert, ontdek je de tools die je nodig hebt om je modellen te implementeren en te monitoren, en bekijk je de verschillende soorten omgevingen en analyses die je tegenkomt.Meer info over de MLOps-levenscyclus
Nadat je je gegevens hebt verzameld, voorbereid en gelabeld, verschillende experimenten op verschillende modellen hebt uitgevoerd en je concept met een kampioensmodel hebt bewezen, is het tijd voor de volgende stappen. Bouwen Inzetten. Monitor. Onderhoud. Dat is de levenscyclus van je model zodra het klaar is voor productie. Dat is het Ops-gedeelte van MLOps.Deze cursus laat je zien hoe je het tweede hoofdstuk van je model naar waardecreatie kunt doorlopen, waarmee je de lat legt voor nog veel meer toekomstige projecten. Je begint met het verkennen van de MLOps-levenscyclus, waarbij je het belang van MLOps en de belangrijkste functionele componenten voor modelontwikkeling, implementatie, monitoring en onderhoud ontdekt.ML-code ontwikkelen voor implementatie
Vervolgens leer je hoe je modellen kunt ontwikkelen voor implementatie en hoe je effectieve ML-code kunt schrijven, tools kunt gebruiken en ML-pijplijnen kunt trainen. Naarmate je vordert, leer je hoe je je modellen kunt implementeren, verschillende implementatieomgevingen kunt verkennen en wanneer je deze kunt gebruiken. Je gaat ook strategieën bedenken om bestaande productiemodellen te vervangen en API's bekijken.Leer hoe je je modellen kunt monitoren
Tijdens de cursus leer je de belangrijke prestatiestatistieken kennen die belangrijk zijn voor het monitoren en onderhouden van je ML-modellen. Je leert over driftmonitoring in productie, maar ook over modelfeedback, updates en governance.Als je klaar bent, snap je hoe je de MLOps-levenscyclus kunt gebruiken om je eigen modellen in productie te zetten.Vereisten
Curriculum
Cursusoverzicht
1
MLOps in een notendop
Dit hoofdstuk geeft een overzicht op hoofdlijnen van MLOps-principes en frameworkcomponenten die belangrijk zijn voor deployment en de levenscyclus.
2
Ontwikkelen voor deployment
Dit hoofdstuk is gewijd aan alle overwegingen die we al in de ontwikkelfase moeten maken om te zorgen voor een soepele overgang zodra we in de operatie belanden.
Ons uiteindelijke doel is uit te leggen hoe je het model traint volgens MLOps best practices en een modelpakket bouwt dat soepele deployment, reproduceerbaarheid en monitoring na deployment mogelijk maakt.
3
Deployen en draaien
Dit hoofdstuk behandelt kritieke vragen over modeloperaties, zoals:
- Op welke verschillende manieren kunnen we onze modellen aanbieden?
- Wat is een API en wat zijn de belangrijkste functies ervan?
- Hoe testen we onze service grondig voordat we die beschikbaar maken voor eindgebruikers?
- Hoe werken we modellen in productie bij zonder de service te verstoren?
Je leert over batchvoorspelling, realtime voorspelling, validatie van input- en outputdata, unit testing, integratietesten, canary deployment en nog veel meer.
4
Monitoren en onderhouden
Dit laatste hoofdstuk is gericht op het monitoren en onderhouden van ML-services nadat ze zijn gedeployed, en op modelgovernance.
Je behandelt cruciale concepten zoals verification latency, covariate shift, concept drift, human-in-the-loop-systemen en meer.
R
MLOps-deployments en levenscyclus
Cursus
voltooid
