Build your ultimate AI agent
课程介绍
MLOps 部署与生命周期管理
探索现代 MLOps 框架，包括机器学习模型的生命周期和部署。 在本课程中，你将学习如何编写可最大限度减少技术债务的机器学习代码，了解部署和监控模型所需的工具，并探讨你将遇到的不同类型的环境和分析。了解 MLOps 生命周期
在你收集、准备并标注好数据，针对不同模型进行了大量实验，并用冠军模型验证了你的概念之后，就该进入下一步了。 构建。 部署。 监控。 保持。 这就是你的模型一旦准备投入生产后的生命周期。 这就是 MLOps 中的 Ops 部分。这门课程将向你展示如何驾驭模型价值交付之旅的第二章，为后续更多章节树立标杆。 你将首先探索 MLOps 生命周期，了解 MLOps 的重要性，以及模型开发、部署、监控和维护的关键功能组件。开发用于部署的机器学习代码
接下来，你将学习如何开发用于部署的模型，以及如何编写高效的机器学习代码、利用工具并训练机器学习流水线。 随着学习的深入，你将了解如何部署模型，探索不同的部署环境以及何时使用它们。 你还将制定替换现有生产模型的策略，并研究 API。学习如何监控您的模型
在完成这门课程的过程中，你将了解用于监控和维护 ML 模型的关键性能指标。 你将学习生产环境中的漂移监控，以及模型反馈、更新和治理。完成后，您将了解如何使用 MLOps 生命周期将自己的模型部署到生产环境中。先修要求
课程大纲
课程大纲
2
面向部署的开发
本章聚焦于在开发阶段就需要考虑的各类要点，以确保进入运维阶段时过程顺畅。
我们的终极目标是讲解如何按照 MLOps 最佳实践训练模型，并构建支持顺利部署、可复现以及部署后可监控的模型包。
3
部署与运行
本章将讨论模型运维中的关键问题，例如：
- 我们可以通过哪些不同方式来提供模型服务？
- 什么是 API？它的核心功能有哪些？
- 在对外提供服务之前，如何对服务进行充分测试？
- 如何在不影响服务的情况下更新生产环境中的模型？
您将学习批量预测、实时预测、输入与输出数据验证、单元测试、集成测试、金丝雀部署等内容。
4
监控与维护
最后一章将聚焦于模型服务部署后的监控与维护，以及模型治理。
您将学习到验证延迟、协变量偏移、概念漂移、人参与环系统等关键概念。
R
MLOps 部署与生命周期管理
课程完成
