Build your ultimate AI agent
Kursbeskrivning
MLOps-distribution och livscykelhantering
Utforska det moderna MLOps-ramverket, inklusive livscykeln och driftsättningen av maskininlärningsmodeller. I den här kursen lär du dig att skriva ML-kod som minimerar teknisk skuld, upptäcka de verktyg du behöver för att driftsätta och övervaka dina modeller samt gå igenom de olika typer av miljöer och analyser du kommer att stöta på.Lär dig om MLOps-livscykeln
När du har samlat in, förberett och märkt dina data, kört många experiment med olika modeller och bevisat din idé med en vinnarmodell, är det dags för nästa steg. Bygg. Lansera. Övervaka. Maintain. Det är modellens livscykel när den väl är avsedd för produktion. Det är Ops-delen av MLOps.Den här kursen visar dig hur du navigerar i det andra kapitlet i din modells resa mot värdeleverans och sätter riktmärket för många fler som kommer. Du börjar med att utforska MLOps-livscykeln och upptäcker vikten av MLOps samt de viktigaste funktionella komponenterna för modellutveckling, driftsättning, övervakning och underhåll.Utveckla ML-kod för driftsättning
Därefter lär du dig hur du utvecklar modeller för driftsättning och hur du skriver effektiv ML-kod, använder verktyg och tränar ML-pipelines. Allt eftersom du går vidare kommer du att lära dig hur du distribuerar dina modeller, och utforska olika distributionsmiljöer och när du ska använda dem. Du kommer också att utveckla strategier för att ersätta befintliga produktionsmodeller och granska API:er.Lär dig hur du övervakar dina modeller
När du slutför kursen kommer du att upptäcka de avgörande prestandamåtten bakom övervakning och underhåll av dina ML-modeller. Du kommer att lära dig om övervakning av drift i produktion, samt modellfeedback, uppdateringar och styrning.När du är klar kommer du att förstå hur du kan använda MLOps-livscykeln för att driftsätta dina egna modeller i produktion.Förkunskapskrav
Kursplan
Kursöversikt
1
MLOps i korthet
Det här kapitlet ger en övergripande introduktion till MLOps-principer och de ramverkskomponenter som är viktiga för driftsättning och livscykelhantering.
2
Utveckla för driftsättning
Det här kapitlet ägnas åt alla överväganden som behöver göras redan i utvecklingsfasen, för att säkerställa en smidig övergång när vi når driftsättningen.
Vårt övergripande mål är att förklara hur man tränar modellen med MLOps bästa praxis och bygger ett modellpaket som möjliggör smidig driftsättning, reproducerbarhet och övervakning efter driftsättning.
3
Driftsätt och kör
Det här kapitlet behandlar kritiska frågor kring modellhantering i drift, till exempel:
- Vilka olika sätt finns det att servera våra modeller?
- Vad är ett API, och vilka är dess viktigaste funktioner?
- Hur testar vi vår tjänst grundligt innan den görs tillgänglig för slutanvändarna?
- Hur uppdaterar vi modeller i produktion utan att störa tjänsten?
Du får lära dig om batchprediktioner, realtidsprediktioner, validering av in- och utdata, enhetstestning, integrationstestning, canary-driftsättning och mycket mer.
4
Övervaka och underhåll
Det här avslutande kapitlet ägnas åt övervakning och underhåll av ML-tjänster efter driftsättning, samt åt modellstyrning.
Du går igenom centrala begrepp som verifieringsfördröjning, kovariatskift, konceptdrift, system med människa i loopen och mer.
R
MLOps-driftsättning och livscykelhantering
Kurs
slutförd
