Efter att ha gått de här kurserna känner jag mig trygg med att skapa professionella visualiseringar och dashboards
Shoebur RahmanInköpsspecialist, Giz Bangladesh
Kursbeskrivning
MLOps är den uppsättning metoder som utvecklats för att hjälpa dig att driftsätta och underhålla maskininlärningsmodeller i produktion. Numera står MLOps i centrum inom industri och forskning som ett sätt att säkerställa att ML-system skapar värde.
Upptäck fullständig automatisering inom MLOps
I den här kursen lär du dig hur du använder automatisering inom MLOps för att driftsätta ML-system som kan leverera värde över tid. Du kommer att lära dig hur dold teknisk skuld påverkar ML-system och det värde de skapar. Du kommer också att förstå hur automatisering och effektivisering av stegen i ML-livscykeln kan hjälpa driften och skalningen av ML-system.Lär dig om MLOps-arkitektur
Du kommer att använda praktiska och interaktiva övningar för att lära dig om komponenterna i en MLOps-arkitektur och hur dessa är nödvändiga för att möjliggöra full automatisering av ML-system.Utforska CI/CD/CM/CT MLOps-tekniker
Allt eftersom du går vidare lär du dig hur automatiserad CI/CD, tillsammans med Continuous Monitoring (CM) och Continuous Training (CT), är viktiga tekniker för att undvika teknisk skuld i dina ML-driftsättningar.Förstå automatisering i distributionsstrategier
I slutet av kursen kommer du att förstå hur automatisering med MLOps kan förbättra hur du driftsätter dina ML-system i verkligheten, och ge dina driftsättningar robusthet och skalbarhet.Börja lära dig, skaffa kunskap inom detta mycket efterfrågade område och upptäck hur du kan tillämpa automatisering när du utformar MLOps-system.
Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till fullt automatiserad MLOps
I det här första kapitlet motiverar vi användningen av MLOps i en industriell miljö. Du lär dig om dess betydelse för att skapa värde i verksamheter. Du får också en genomgång av ML-faserna med fokus på hur MLOps förbättrar dessa. I slutet av kapitlet utforskar du en referensarkitektur för ett fullt automatiserat MLOps-system. Du använder sedan den arkitekturen för att utforska komponenter som är viktiga i alla MLOps-system – en bra startpunkt för resten av kursen.
- Introduktion till fullt automatiserad MLOps50 XP
- Den dolda tekniska skulden måste betalas50 XP
- Dold teknisk skuld i ML är annorlunda100 XP
- MLOps livscykelstadier50 XP
- Fullt automatiserad MLOps50 XP
- Att automatisera eller inte automatisera...50 XP
- Bygga för skalbarhet100 XP
- Referensarkitektur: Fullt automatiserad MLOps50 XP
- Referensarkitekturer inom IT och MLOps50 XP
- Komponenter i MLOps-arkitekturen100 XP
2
Arkitektur för fullt automatiserad MLOps
I det här kapitlet fortsätter du att utforska de centrala komponenterna i ett fullt automatiserat MLOps-system. Först undersöker du orkestreringens betydelse i MLOps och hur den bidrar till effektivitet och skalbarhet i ML-pipelines. Därefter går du igenom olika driftsättningsstrategier i MLOps och lär dig hur du väljer rätt strategi för ditt system. Slutligen lär du dig om CI/CD/CT/CM och hur det kompletterar orkestrering och bästa praxis för att uppnå full automatisering i MLOps-system. Med dessa kunskaper är du väl rustad att bygga ett fullt automatiserat MLOps-system som är effektivt, träffsäkert och tillförlitligt.
3
Automationsmönster
I det här kapitlet fördjupar du dig i automatisering och lär dig att utforma mer robusta och effektiva ML-system. Du börjar med grunderna i automatisering av MLOps-system och går sedan vidare till designmönster och felsäkra mekanismer. Du lär dig också att implementera automatiserad testning i MLOps-system och hur du använder hyperparameterjustering för att optimera dina modeller och arbetsflöden. I slutet av kapitlet har du de kunskaper och färdigheter som krävs för att bygga och hantera fullt automatiserade MLOps-system som är både effektiva och tillförlitliga.
4
Automation i MLOps-driftsättningar
I det här avslutande kapitlet fördjupar du dig i de centrala komponenterna i en automatiserad MLOps-arkitektur. Från automatiserad experimentspårning och modellregistret till funktionslagret och metadatalagrets roll – kapitlet ger dig en heltäckande förståelse för ett fullt automatiserat MLOps-systems komplexitet. Oavsett om du är en erfaren ML-utövare eller precis har börjat ger det här kapitlet dig de kunskaper och färdigheter du behöver för att utforma automatiserade MLOps-arbetsflöden.
R
Fullt automatiserad MLOps
Kurs
slutförd
