After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Lär dig om Machine Learning Operations (MLOps)
Att förstå MLOps-koncept är avgörande för alla data scientists, ingenjörer eller ledare som vill ta maskininlärningsmodeller från en lokal notebook till en fungerande modell i produktion.I den här kursen lär du dig vad MLOps är, förstår de olika faserna i MLOps-processer och identifierar olika nivåer av MLOps-mognad. Efter att ha lärt dig de viktigaste MLOps-koncepten kommer du att vara väl rustad på din resa mot att implementera maskininlärning kontinuerligt, tillförlitligt och effektivt.
Upptäck hur maskininlärning kan skalas och automatiseras
Hur kan vi skala upp våra maskininlärningsprojekt med minsta möjliga tid och resurser? Och hur kan vi automatisera våra processer för att minska behovet av manuella insatser och förbättra modellprestandan? Det här är grundläggande frågor inom Machine Learning som MLOps ger svar på.I denna MLOps-kurs börjar du med att utforska grunderna i MLOps och titta på de centrala funktionerna och de tillhörande rollerna. Därefter kommer du att utforska de olika faserna i maskininlärningslivscykeln mer i detalj.
Allteftersom du går vidare kommer du också att lära dig om system och verktyg för att bättre skala upp och automatisera maskininlärningsoperationer, inklusive feature stores, experimentspårning, CI/CD-pipelines, mikrotjänster och containerisering. Du kommer att utforska centrala MLOps-koncept, vilket ger dig en bättre förståelse för deras tillämpningar.
Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till MLOps
Här lär du dig om grundläggande egenskaper hos MLOps. Du utforskar maskininlärningens livscykel, dess faser och de roller som är kopplade till MLOps-processer.
2
Design och utveckling
Därefter lär du dig om design- och utvecklingsfasen i maskininlärningens livscykel. Du utforskar värdeuppskattning, datakvalitet, särdragslager och experimentspårning.
3
Att driftsätta maskininlärning i produktion
I det här kapitlet fördjupar du dig i de koncept som är relevanta för att driftsätta maskininlärning i produktion, till exempel körningsmiljöer, containerisering, CI/CD-pipelines och driftsättningsstrategier.
4
Att underhålla maskininlärning i produktion
Avslutningsvis lär du dig om att underhålla maskininlärning i produktion – med koncept som statistisk och beräkningsmässig övervakning, omträning, olika nivåer av MLOps-mognad och verktyg som kan användas inom maskininlärningens livscykel för att förenkla processer.
R
MLOps-koncept
Kurs
slutförd
