Chuyển đến nội dung chính

Trang chủ Machine Learning

Khóa học

Phát triển mô hình Machine Learning cho môi trường sản xuất

Trung cấpTrình độ kỹ năng

Đã cập nhật tháng 11, 2024

Bắt Đầu Khóa Học Miễn Phí

TheoryMachine Learning

4 gio

13 video

44 Bài tập

2,850 XP

8,728

Giấy chứng nhận Thành tích

Được người học tại hàng ngàn công ty yêu thích

Đào tạo một đội ngũ?

Dùng thử cho Doanh nghiệp

Mô tả khóa học

Phần lớn nội dung về Machine Learning hiện nay tập trung vào huấn luyện mô hình và tinh chỉnh tham số, nhưng 90% mô hình thử nghiệm không bao giờ được đưa vào sản xuất, chủ yếu vì chúng không được thiết kế để vận hành lâu dài. Trong khóa học này, bạn sẽ thấy rằng chuyển tư duy từ kỹ sư Machine Learning sang tư duy MLOps (Machine Learning Operations) sẽ giúp bạn huấn luyện, ghi chép, vận hành, và mở rộng mô hình đến mức tối đa.

Điều kiện tiên quyết

MLOps Concepts Supervised Learning with scikit-learn

1

Chuyển từ nghiên cứu sang sản xuất

Chương này sẽ trang bị cho bạn kỹ năng và kiến thức để đưa các mô hình Machine Learning từ giai đoạn nghiên cứu và phát triển sang môi trường sản xuất. Bạn sẽ học về quy trình chuyển từ nguyên mẫu nghiên cứu thành hệ thống đáng tin cậy, có khả năng mở rộng và dễ bảo trì.

Áp dụng tư duy MLOps

Khía cạnh quan trọng của MLOps là gì?

Nợ kỹ thuật là gì?

Viết mã ML dễ bảo trì

Quản lý phiên bản

Tổ chức mã nguồn

Viết tài liệu ML hiệu quả

Tại sao cần ghi chép phương pháp gán nhãn?

Thực hành tốt trong MLOps

Bắt Đầu Chương

2

Đảm bảo khả năng tái lập

Trong chương này, bạn sẽ tìm hiểu tầm quan trọng của khả năng tái lập trong Machine Learning, và cách đảm bảo mô hình của bạn có thể được tái lập và đáng tin cậy theo thời gian. Bạn sẽ khám phá các kỹ thuật và thực tiễn tốt nhất để đảm bảo khả năng tái lập cho mô hình.

Thiết kế thí nghiệm có thể tái lập

Tính tái lập trong ML

Nhận diện các khía cạnh then chốt cho tính tái lập và độ tin cậy

Sắp xếp các yếu tố về độ tin cậy

Phân loại các khía cạnh của tính tái lập và thực hành ghi chép

Kỹ thuật đặc trưng (feature engineering)

Phân loại Mục tiêu & Kỹ thuật Feature Engineering

Nhận diện các kỹ thuật thao tác và biến đổi dữ liệu

Chọn đặc trưng (Feature selection)

Phiên bản hóa dữ liệu và mô hình

Model store

Phân phiên bản dữ liệu huấn luyện

Đảm bảo khả năng tái lập

Bắt Đầu Chương

3

ML trong môi trường sản xuất

Ở Chương 3, bạn sẽ xem xét những thách thức khi triển khai mô hình Machine Learning vào môi trường sản xuất. Bạn sẽ học về các cách tiếp cận để triển khai mô hình ML trong sản xuất và chiến lược giám sát, vận hành mô hình ML sau khi đưa vào sản xuất.

Đóng gói mô hình ML

Mục tiêu của tuần tự hóa và đóng gói bằng container

Thứ tự đóng gói model

Khả năng mở rộng

Mở rộng quy mô

Độ phức tạp của mô hình

Phân loại kỹ thuật mở rộng (scaling)

Tự động hóa

Lợi ích của continuous delivery

Các bước CI/CD

Đưa mô hình ML vào môi trường production

Bắt Đầu Chương

4

Kiểm thử pipeline ML

Trong chương cuối, bạn sẽ học về các cách kiểm thử pipeline Machine Learning và đảm bảo chúng hoạt động đúng như mong đợi. Bạn sẽ hiểu tầm quan trọng của việc kiểm thử pipeline ML và các kỹ thuật để kiểm thử, xác thực pipeline ML.

Độ tin cậy của mô hình

Phân loại chiến lược kiểm thử cho tính sẵn sàng và lỗi thời của ML pipeline

Khắc phục tình trạng model bị cũ trong các pipeline Machine Learning

Kiểm thử dữ liệu

Chọn đúng bài kiểm thử

Kiểm tra tính nhất quán

Kiểm thử mô hình

Dự đoán giá trị vòng đời khách hàng

Phân loại công bằng

Kiểm thử ML pipelines

Chúc mừng!

Bắt Đầu Chương

Phát triển mô hình Machine Learning cho môi trường sản xuất

Hoàn
Thành

Nhận Giấy Chứng Nhận Hoàn Thành

Thêm chứng chỉ này vào hồ sơ LinkedIn, CV hoặc sơ yếu lý lịch của ban
Chia sẻ trên mạng xã hội và trong đánh giá hiệu suất của banĐăng ký ngay

Tham gia cùng hơn 19 triệu học viên và bắt đầu Phát triển mô hình Machine Learning cho môi trường sản xuất ngay hôm nay!

Phát triển kỹ năng dữ liệu với DataCamp cho thiết bị di động

Tiến bộ mọi lúc mọi nơi với các khóa học cho thiết bị di động và thử thách lập trình 5 phút hằng ngày.