Build your ultimate AI agent
Kursbeskrivning
Mycket av dagens innehåll om maskininlärning fokuserar på modellträning och parameterjustering, men 90 % av experimentella modeller når aldrig produktion, främst eftersom de inte byggdes för att hålla. I den här kursen får du se hur ett skifte i ditt tankesätt från ett maskininlärningsingenjörstänk till ett MLOps-tänk (Machine Learning Operations) gör att du kan träna, dokumentera, underhålla och skala dina modeller till deras fulla potential.
Experimentera och dokumentera enkelt
Att experimentera med ML-modeller är ofta roligt, men kan vara tidskrävande. Här lär du dig hur du utformar reproducerbara experiment för att påskynda den här processen, samtidigt som du skriver dokumentation för dig själv och dina teammedlemmar, vilket gör framtida arbete med pipelinen till en enkel match.Bygg MLOps-modeller för produktion
Du kommer att lära dig bästa praxis för att paketera och serialisera både modeller och miljöer för produktion för att säkerställa att modellerna håller så länge som möjligt.Skala upp och automatisera dina ML-pipelines
Genom att ta hänsyn till modell- och datakomplexitet samt kontinuerlig automatisering kan du säkerställa att dina modeller skalas för produktionsanvändning och kan övervakas och driftsättas på ett ögonblick.När du har slutfört den här kursen kommer du att kunna designa och utveckla maskininlärningsmodeller som är redo för produktion och kontinuerligt förbättra dem över tid.
Förkunskapskrav
Kursplan
Kursöversikt
1
Från forskning till produktion
Det här kapitlet ger dig de kunskaper och färdigheter som krävs för att flytta dina maskininlärningsmodeller från forsknings- och utvecklingsfasen till en produktionsmiljö. Du får lära dig om processen att gå från en forskningsprototyp till ett pålitligt, skalbart och underhållbart system.
2
Att säkerställa reproducerbarhet
I det här kapitlet får du lära dig om vikten av reproducerbarhet inom maskininlärning och hur du säkerställer att dina modeller förblir reproducerbara och tillförlitliga över tid. Du utforskar olika tekniker och bästa praxis för att garantera reproducerbarheten hos dina modeller.
3
Maskininlärning i produktionsmiljöer
I kapitel 3 undersöker du de olika utmaningar som är förknippade med att driftsätta maskininlärningsmodeller i produktionsmiljöer. Du får lära dig om olika tillvägagångssätt för att driftsätta ML-modeller i produktion samt strategier för att övervaka och underhålla dem.
4
Testning av maskininlärningspipelines
I det sista kapitlet får du lära dig om olika sätt att testa maskininlärningspipelines och säkerställa att de fungerar som förväntat. Du lär dig varför testning av ML-pipelines är viktigt och vilka tekniker som används för att testa och validera dem.
R
Att utveckla maskininlärningsmodeller för produktion
Kurs
slutförd
