หลังจากเรียนคอร์สเหล่านี้ รู้สึกมั่นใจในการสร้างการแสดงผลข้อมูลและแดชบอร์ดระดับมืออาชีพ
รายละเอียดคอร์ส
เนื้อหาเกี่ยวกับแมชชีนเลิร์นนิงส่วนใหญ่ในปัจจุบันมุ่งเน้นไปที่การฝึกโมเดลและการปรับแต่งพารามิเตอร์ แต่โมเดลที่พัฒนาขึ้นเพื่อการทดลองถึง 90% ไม่เคยถูกนำไปใช้งานจริง ส่วนใหญ่เป็นเพราะไม่ได้ออกแบบมาให้ใช้งานได้ในระยะยาว ในหลักสูตรนี้ คุณจะได้เรียนรู้ว่าการปรับกรอบความคิดจากวิศวกรรมแมชชีนเลิร์นนิงไปสู่ MLOps (การดำเนินงานด้านแมชชีนเลิร์นนิง) จะช่วยให้คุณฝึกโมเดล จัดทำเอกสาร ดูแลรักษา และขยายขนาดโมเดลให้ได้เต็มศักยภาพได้อย่างไร
ทดลองและจัดทำเอกสารได้อย่างง่ายดาย
การทดลองใช้โมเดล ML มักสนุก แต่ก็อาจใช้เวลามาก ในหลักสูตรนี้ คุณจะได้เรียนรู้วิธีออกแบบการทดลองที่ทำซ้ำได้ เพื่อเร่งกระบวนการนี้ให้รวดเร็วยิ่งขึ้น พร้อมจัดทำเอกสารสำหรับตนเองและเพื่อนร่วมทีม เพื่อให้การทำงานกับไปป์ไลน์ในอนาคตเป็นเรื่องง่ายขึ้นพัฒนาโมเดล MLOps สำหรับใช้งานจริง
คุณจะได้เรียนรู้แนวทางปฏิบัติที่ดีที่สุดในการจัดแพ็กเกจและทำซีเรียลไลซ์ทั้งโมเดลและสภาพแวดล้อมสำหรับใช้งานจริง เพื่อให้โมเดลใช้งานได้ยาวนานที่สุดેષขยายขนาดและทำ ML Pipelines ของคุณให้เป็นอัตโนมัติ
เมื่อคำนึงถึงความซับซ้อนของโมเดลและข้อมูล พร้อมระบบอัตโนมัติที่ทำงานอย่างต่อเนื่อง คุณจะมั่นใจได้ว่าโมเดลของคุณสามารถขยายเพื่อรองรับการใช้งานจริง และติดตามตรวจสอบพร้อมนำไปใช้งานได้ในพริบตาเมื่อเรียนจบหลักสูตรนี้ คุณจะสามารถออกแบบและพัฒนาโมเดลแมชชีนเลิร์นนิงที่พร้อมใช้งานจริง พร้อมปรับปรุงโมเดลให้ดียิ่งขึ้นอย่างต่อเนื่องได้ตลอดเวลา
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงร่างคอร์ส
1
จาก Research สู่ Production
บทนี้จะให้ทักษะและความรู้ที่จำเป็นในการนำโมเดล Machine Learning จากขั้นตอนวิจัยและพัฒนาไปสู่สภาพแวดล้อม Production คุณจะได้เรียนรู้กระบวนการเปลี่ยนจาก Prototype ในงานวิจัยให้กลายเป็นระบบที่เชื่อถือได้ ขยายขนาดได้ และดูแลรักษาได้
2
การสร้างความสามารถในการทำซ้ำได้
ในบทนี้ คุณจะได้เรียนรู้ถึงความสำคัญของการทำซ้ำได้ (Reproducibility) ใน Machine Learning รวมถึงวิธีทำให้โมเดลยังคงทำซ้ำได้และเชื่อถือได้ในระยะยาว คุณจะได้สำรวจเทคนิคและแนวปฏิบัติที่ดีที่สุดหลากหลายรูปแบบเพื่อรับประกัน Reproducibility ของโมเดล
3
ML ในสภาพแวดล้อม Production
ในบทที่ 3 คุณจะได้ศึกษาความท้าทายต่าง ๆ ที่เกิดขึ้นจากการนำโมเดล Machine Learning ไปใช้งานในสภาพแวดล้อม Production คุณจะได้เรียนรู้แนวทางการ Deploy โมเดล ML ใน Production รวมถึงกลยุทธ์การติดตามและดูแลรักษาโมเดล ML
4
การทดสอบ ML Pipeline
ในบทสุดท้าย คุณจะได้เรียนรู้วิธีการทดสอบ Machine Learning Pipeline ในรูปแบบต่าง ๆ เพื่อให้แน่ใจว่า Pipeline ทำงานได้ตามที่คาดหวัง คุณจะได้เข้าใจความสำคัญของการทดสอบ ML Pipeline พร้อมเรียนรู้เทคนิคสำหรับการทดสอบและตรวจสอบความถูกต้องของ ML Pipeline
R
การพัฒนาโมเดล Machine Learning สำหรับ Production
เรียนคอร์สจบแล้ว

