Build your ultimate AI agent
รายละเอียดคอร์ส
การปรับใช้และการจัดการวงจรชีวิต MLOps
สำรวจกรอบงาน MLOps สมัยใหม่ รวมถึงวงจรชีวิตและการนำโมเดลแมชชีนเลิร์นนิงไปใช้งานจริง ในหลักสูตรนี้ คุณจะได้เรียนรู้การเขียนโค้ด ML ที่ช่วยลด technical debt ค้นหาเครื่องมือที่คุณต้องใช้ในการ deploy และ monitor โมเดลของคุณ และทำความเข้าใจประเภทต่าง ๆ ของ environments และ analytics ที่คุณจะได้พบเจอเรียนรู้เกี่ยวกับวงจรชีวิต MLOps
หลังจากที่คุณได้รวบรวม เตรียม และติดป้ายกำกับข้อมูลของคุณแล้ว ทดลองกับโมเดลต่างๆ หลายครั้ง และพิสูจน์แนวคิดของคุณด้วยโมเดลตัวชนะแล้ว ก็ถึงเวลาสำหรับขั้นตอนถัดไป สร้างขึ้น ปรับใช้งาน ตรวจสอบ. คงไว้. นั่นคือวงจรชีวิตของโมเดลของคุณเมื่อมันถูกกำหนดให้ใช้งานจริงในระบบการผลิต นั่นคือส่วน Ops ของ MLOpsคอร์สนี้จะช่วยให้คุณเรียนรู้วิธีนำทางบทที่สองของเส้นทางสู่การส่งมอบคุณค่าของโมเดลของคุณ โดยกำหนดมาตรฐานสำหรับอีกหลายบทที่จะตามมา คุณจะเริ่มต้นด้วยการสำรวจวงจรชีวิตของ MLOps ค้นพบความสำคัญของ MLOps และองค์ประกอบการทำงานหลักสำหรับการพัฒนา การนำไปใช้งาน การติดตามตรวจสอบ และการบำรุงรักษาโมเดลพัฒนาโค้ด ML สำหรับการนำไปใช้งานจริง
ต่อไป คุณจะได้เรียนรู้วิธีพัฒนาโมเดลสำหรับการนำไปใช้งานจริง และวิธีเขียนโค้ด ML ที่มีประสิทธิภาพ ใช้เครื่องมือต่างๆ ให้เกิดประโยชน์ และฝึกฝน ML pipelines เมื่อคุณก้าวหน้าไป คุณจะได้เรียนรู้วิธีนำโมเดลของคุณไปใช้งานจริง โดยสำรวจสภาพแวดล้อมการนำไปใช้งานที่แตกต่างกันและเมื่อใดควรใช้แต่ละแบบ คุณจะได้พัฒนากลยุทธ์สำหรับการแทนที่โมเดลที่ใช้งานจริงอยู่แล้ว และศึกษาการใช้งาน API ด้วยเรียนรู้วิธีตรวจสอบโมเดลของคุณ
เมื่อคุณเรียนจบหลักสูตรนี้ คุณจะได้ค้นพบตัวชี้วัดประสิทธิภาพสำคัญเบื้องหลังการติดตามและดูแลรักษาโมเดล ML ของคุณ คุณจะได้เรียนรู้เกี่ยวกับการติดตามดริฟต์ในสภาพแวดล้อมการใช้งานจริง รวมถึงฟีดแบ็กของโมเดล การอัปเดต และการกำกับดูแลด้วยเมื่อคุณเรียนจบแล้ว คุณจะเข้าใจวิธีใช้วงจรชีวิต MLOps เพื่อปรับใช้โมเดลของคุณเองในสภาพแวดล้อมการผลิตข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
MLOps โดยสรุป
บทนี้ให้ภาพรวมของหลักการ MLOps และองค์ประกอบของ framework ที่สำคัญสำหรับการ deploy และการจัดการวงจรชีวิตของโมเดล
2
พัฒนาโค้ดเพื่อการ Deploy
บทนี้เน้นการพิจารณาทุกสิ่งที่จำเป็นตั้งแต่ในขั้นตอนการพัฒนา เพื่อให้การดำเนินงานในระยะ operations เป็นไปอย่างราบรื่น
เป้าหมายหลักคืออธิบายวิธี train โมเดลตามแนวปฏิบัติที่ดีของ MLOps และสร้าง model package ที่รองรับการ deploy ที่ง่ายดาย การ reproduce ผลลัพธ์ได้ และการ monitor หลัง deploy
3
Deploy และรันโมเดล
บทนี้ครอบคลุมคำถามสำคัญเกี่ยวกับการดำเนินงานของโมเดล เช่น:
- มีวิธีใดบ้างในการ serve โมเดลของเรา?
- API คืออะไร และมีฟังก์ชันหลักอะไรบ้าง?
- จะทดสอบ service อย่างละเอียดก่อนเปิดให้ผู้ใช้งานจริงได้อย่างไร?
- จะอัปเดตโมเดลใน production โดยไม่กระทบ service ได้อย่างไร?
คุณจะได้เรียนรู้เกี่ยวกับ batch prediction, real-time prediction, การตรวจสอบข้อมูล input และ output, unit testing, integration testing, canary deployment และอื่น ๆ อีกมาก
4
Monitor และ Maintain
บทสุดท้ายนี้เน้นการ monitor และ maintain ML service หลัง deploy รวมถึง model governance
คุณจะได้เรียนรู้แนวคิดสำคัญ เช่น verification latency, covariate shift, concept drift, human-in-the-loop systems และอื่น ๆ
R
MLOps Deployment and Life Cycling
เรียนจบแล้ว
