After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Wiele dzisiejszych treści związanych z uczeniem maszynowym koncentruje się na trenowaniu modeli i dostrajaniu parametrów, ale 90% modeli eksperymentalnych nigdy nie trafia do produkcji, głównie dlatego, że nie zostały zbudowane z myślą o trwałości. W tym kursie zobaczysz, jak zmiana podejścia z nastawienia na inżynierię uczenia maszynowego na nastawienie MLOps (Machine Learning Operations) pozwoli Ci trenować, dokumentować, utrzymywać i skalować modele, aby w pełni wykorzystać ich potencjał.
Eksperymentuj i dokumentuj z łatwością
Eksperymentowanie z modelami ML jest często przyjemne, ale może być czasochłonne. Tutaj nauczysz się projektować powtarzalne eksperymenty, aby przyspieszyć ten proces, jednocześnie tworząc dokumentację dla siebie i swojego zespołu, co sprawi, że przyszła praca nad pipeline’em będzie dziecinnie prosta.Twórz modele MLOps do produkcji
Poznasz najlepsze praktyki pakowania i serializowania zarówno modeli, jak i środowisk do produkcji, aby zapewnić, że modele będą działać jak najdłużej.Rozwijaj i automatyzuj swoje potoki ML
Biorąc pod uwagę złożoność modelu i danych oraz ciągłą automatyzację, możesz mieć pewność, że Twoje modele będą skalowane do użycia produkcyjnego oraz będą mogły być monitorowane i wdrażane w mgnieniu oka.Po ukończeniu tego kursu będziesz potrafić projektować i tworzyć modele uczenia maszynowego gotowe do wdrożenia produkcyjnego oraz stale je ulepszać z czasem.
Wymagania wstępne
Program kursu
Plan kursu
1
Od badań do produkcji
Ten rozdział wyposaży cię w umiejętności i wiedzę potrzebne do przeniesienia modeli uczenia maszynowego z fazy badań i rozwoju do środowiska produkcyjnego. Dowiesz się, jak przebiega przejście od prototypu badawczego do niezawodnego, skalowalnego i łatwego w utrzymaniu systemu.
- Przyjęcie podejścia MLOps50 XP
- Co jest kluczowym aspektem MLOps?50 XP
- Czym jest dług techniczny?50 XP
- Pisanie łatwego w utrzymaniu kodu ML50 XP
- Kontrola wersji50 XP
- Organizacja kodu50 XP
- Pisanie skutecznej dokumentacji modeli ML50 XP
- Po co dokumentować metody etykietowania?50 XP
- Najlepsze praktyki MLOps100 XP
2
Zapewnianie reprodukowalności
W tym rozdziale poznasz znaczenie reprodukowalności w uczeniu maszynowym oraz sposoby zapewniania, że twoje modele pozostają reprodukowalne i niezawodne w dłuższej perspektywie. Zapoznasz się z różnymi technikami i najlepszymi praktykami, które możesz stosować, aby zagwarantować reprodukowalność modeli.
3
Uczenie maszynowe w środowiskach produkcyjnych
W rozdziale 3 przyjrzysz się różnym wyzwaniom związanym z wdrażaniem modeli uczenia maszynowego w środowiskach produkcyjnych. Poznasz różne podejścia do wdrażania modeli ML w produkcji oraz strategie monitorowania i utrzymywania modeli ML w środowisku produkcyjnym.
4
Testowanie potoków uczenia maszynowego
W ostatnim rozdziale dowiesz się, jak testować potoki uczenia maszynowego i sprawdzać, czy działają zgodnie z oczekiwaniami. Zrozumiesz, dlaczego testowanie potoków ML jest tak ważne, i poznasz techniki testowania oraz walidacji potoków ML.
R
Tworzenie modeli uczenia maszynowego na potrzeby produkcji
Kurs
ukończony
