Build your ultimate AI agent
รายละเอียดคอร์ส
เรียนรู้เกี่ยวกับการปฏิบัติการแมชชีนเลิร์นนิง (MLOps)
การทำความเข้าใจแนวคิด MLOps เป็นสิ่งสำคัญสำหรับนักวิทยาศาสตร์ข้อมูล วิศวกร หรือผู้นำทุกคน เพื่อพาโมเดลแมชชีนเลิร์นนิงจากโน้ตบุ๊กในเครื่องไปสู่โมเดลที่ใช้งานได้จริงในสภาพแวดล้อมการผลิตในหลักสูตรนี้ คุณจะได้เรียนรู้ว่า MLOps คืออะไร เข้าใจขั้นตอนต่างๆ ในกระบวนการ MLOps และระบุระดับความพร้อมของ MLOps ในแต่ละระดับได้ หลังจากเรียนรู้แนวคิดสำคัญของ MLOps แล้ว คุณจะพร้อมอย่างเต็มที่ในการนำแมชชีนเลิร์นนิงไปใช้อย่างต่อเนื่อง เชื่อถือได้ และมีประสิทธิภาพ
ค้นพบว่าแมชชีนเลิร์นนิงสามารถขยายขนาดและทำงานอัตโนมัติได้อย่างไร
เราจะขยายโปรเจกต์แมชชีนเลิร์นนิงของเราได้อย่างไรโดยใช้เวลาและทรัพยากรให้น้อยที่สุด? แล้วเราจะทำให้กระบวนการของเราเป็นอัตโนมัติได้อย่างไร เพื่อลดความจำเป็นในการแทรกแซงด้วยตนเองและปรับปรุงประสิทธิภาพของโมเดล? นี่คือคำถามพื้นฐานเกี่ยวกับ Machine Learning ที่ MLOps ช่วยให้คำตอบได้ในหลักสูตร MLOps นี้ คุณจะเริ่มต้นด้วยการสำรวจพื้นฐานของ MLOps โดยดูที่คุณสมบัติหลักและบทบาทที่เกี่ยวข้อง ต่อไป คุณจะได้สำรวจขั้นตอนต่างๆ ของวงจรชีวิตการเรียนรู้ของเครื่องอย่างละเอียดมากขึ้น
เมื่อคุณก้าวหน้าไป คุณจะได้เรียนรู้เกี่ยวกับระบบและเครื่องมือต่าง ๆ เพื่อช่วยขยายขนาดและทำให้การดำเนินงานด้านแมชชีนเลิร์นนิงเป็นอัตโนมัติได้ดียิ่งขึ้น รวมถึง feature stores, การติดตามการทดลอง, CI/CD pipelines, microservices และการทำ containerization คุณจะได้สำรวจแนวคิดสำคัญของ MLOps ซึ่งจะช่วยให้คุณเข้าใจการประยุกต์ใช้งานได้อย่างมั่นคงยิ่งขึ้น
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
MLOps เบื้องต้น
เริ่มต้นด้วยการเรียนรู้คุณสมบัติหลักของ MLOps จากนั้นสำรวจวงจรชีวิตของ machine learning ขั้นตอนต่าง ๆ และบทบาทที่เกี่ยวข้องกับกระบวนการ MLOps
2
การออกแบบและการพัฒนา
เรียนรู้เกี่ยวกับขั้นตอนการออกแบบและการพัฒนาในวงจรชีวิตของ machine learning สำรวจการประเมินมูลค่าที่ได้รับ คุณภาพของข้อมูล feature stores และการติดตามการทดลอง
3
การ Deploy Machine Learning สู่ Production
ในบทนี้จะเจาะลึกแนวคิดที่เกี่ยวข้องกับการ deploy machine learning สู่ production เช่น runtime environments การทำ containerization CI/CD pipelines และกลยุทธ์การ deploy
4
การดูแลรักษา Machine Learning ใน Production
ในบทสุดท้ายจะเรียนรู้เกี่ยวกับการดูแลรักษา machine learning ใน production ครอบคลุมแนวคิดต่าง ๆ เช่น การ monitoring ด้านสถิติและการคำนวณ การ retrain โมเดล ระดับความสมบูรณ์ของ MLOps และเครื่องมือที่ใช้ในวงจรชีวิตของ machine learning เพื่อทำให้กระบวนการง่ายขึ้น
R
แนวคิด MLOps
เรียนจบแล้ว
