Kurs
MLOps Dağıtımı ve Yaşam Döngüsü
İleri SeviyeBeceri Seviyesi
Güncel 08.2024
TheoryMachine Learning4 sa16 video54 Egzersiz3,650 XP12,044Başarı Belgesi
Ücretsiz Hesabınızı Oluşturun
Google ile devam edinDaha fazla seçenek gösterveya
Devam ederek Kullanım Şartlarımızı, Gizlilik Politikamızı ve verilerinizin ABD’de saklandığını kabul etmiş olursunuz.
Binlerce şirketten öğrencinin sevgisini kazandı
Bir Ekibi Eğitiyor musunuz?
İşletmeler için deneyinKurs Açıklaması
MLOps Dağıtımı ve Yaşam Döngüsü
Makine öğrenimi modellerinin yaşam döngüsü ve dağıtımı dahil olmak üzere modern MLOps çerçevesini keşfedin. Bu kursta, teknik borcu en aza indiren ML kodu yazmayı öğrenecek, modellerinizi dağıtmak ve izlemek için ihtiyaç duyacağınız araçları keşfedecek ve karşılaşacağınız farklı ortam ve analiz türlerini inceleyeceksiniz.MLOps Yaşam Döngüsü Hakkında Bilgi Edinin
Verilerinizi topladıktan, hazırladıktan ve etiketledikten sonra, farklı modeller üzerinde çok sayıda deney yapın ve şampiyon model ile konseptinizi kanıtladıktan sonra, bir sonraki adımlara geçme zamanı gelmiştir. İnşa etmek Dağıt. Monitör. Bakım. Bu, modelinizin üretime geçtikten sonraki yaşam döngüsüdür. Bu, MLOps'un Ops kısmıdır. Bu kurs, modelinizin değer sunma yolculuğunun ikinci bölümünde nasıl ilerleyeceğinizi göstererek, gelecekte daha pek çok şey için bir referans noktası oluşturacaktır. MLOps yaşam döngüsünü keşfederek başlayacak, MLOps'un önemini ve model geliştirme, dağıtım, izleme ve bakım için temel işlevsel bileşenleri öğreneceksiniz.Dağıtım için ML Kodu Geliştirme
Ardından, dağıtım için modeller geliştirmeyi, etkili ML kodu yazmayı, araçlardan yararlanmayı ve ML ardışık düzenlerini eğitmeyi öğreneceksiniz. İlerledikçe, modellerinizi nasıl dağıtacağınızı, farklı dağıtım ortamlarını ve bunları ne zaman kullanacağınızı keşfedeceksiniz. Ayrıca mevcut üretim modellerini değiştirmek için stratejiler geliştirecek ve API'leri inceleyeceksiniz.Modellerinizi Nasıl İzleyeceğinizi Öğrenin
Kursu tamamladığınızda, ML modellerinizi izleme ve sürdürmenin arkasındaki önemli performans ölçütlerini keşfedeceksiniz. Üretimde sapma izleme, model geri bildirimi, güncellemeler ve yönetişim hakkında bilgi edineceksiniz. İşiniz bittiğinde, MLOps yaşam döngüsünü kullanarak kendi modellerinizi üretim ortamında nasıl dağıtabileceğinizi anlayacaksınız.Önkoşullar
MLOps Concepts1
Kısaca MLOps
Bu bölüm, dağıtım ve yaşam döngüsü için önemli MLOps ilkelerine ve çerçeve bileşenlerine üst düzey bir genel bakış sunar.
2
Dağıtım İçin Geliştir
Bu bölüm, operasyon aşamasına geldiğimizde sorunsuz ilerleyebilmek için daha geliştirme safhasındayken yapmamız gereken tüm değerlendirmelere ayrılmıştır.Nihai hedefimiz, MLOps en iyi uygulamalarıyla modeli nasıl eğiteceğini ve sorunsuz dağıtım, çoğaltılabilirlik ve dağıtım sonrası izlemeyi mümkün kılan bir model paketi nasıl oluşturacağını açıklamaktır.
3
Dağıt ve Çalıştır
Bu bölüm, kritik model operasyonu sorularını ele alır. Örneğin:
- Modellerimizi hangi farklı yollarla sunabiliriz?
- API nedir ve temel işlevleri nelerdir?
- Hizmetimizi son kullanıcılara açmadan önce nasıl kapsamlı şekilde test ederiz?
- Üretimdeki modelleri hizmeti kesintiye uğratmadan nasıl güncelleriz?
4
İzle ve Sürdür
Bu son bölüm, dağıtımdan sonra ML hizmetlerini izlemeye ve sürdürmeye, ayrıca model yönetişimine ayrılmıştır.Doğrulama gecikmesi, kovaryat kayması, kavram kayması, insan-döngüde (human-in-the-loop) sistemler ve daha birçok kritik kavramı ele alacaksın.
MLOps Dağıtımı ve Yaşam Döngüsü
Kurs Tamamlandı
Başarı Belgesi Kazanın
Bu kimlik bilgisini LinkedIn profilinize, özgeçmişinize veya CV'nize ekleyinSosyal medyada ve performans incelemenizde paylaşınŞimdi kaydolun
Bugün 19 milyondan fazla öğrenciye katılın ve MLOps Dağıtımı ve Yaşam Döngüsü eğitimine başlayın!
Ücretsiz Hesabınızı Oluşturun
Google ile devam edinDaha fazla seçenek gösterveya
Devam ederek Kullanım Şartlarımızı, Gizlilik Politikamızı ve verilerinizin ABD’de saklandığını kabul etmiş olursunuz.
DataCamp for Mobile ile veri becerilerinizi geliştirin
Mobil kurslarımız ve günde 5 dakikalık kodlama görevlerimizle hareket halindeyken ilerleme kaydedin.