After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, 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
