Projektowanie rozwiązań MLOps za pomocą usługi Azure Machine Learning

Przenoszenie modeli uczenia maszynowego z lokalnego notebooka do niezawodnego środowiska produkcyjnego wymaga uporządkowanego podejścia do automatyzacji i monitorowania. Ten kurs tekstowy przeprowadzi Cię przez proces projektowania niezawodnych rozwiązań do operacji uczenia maszynowego (MLOps) przy użyciu usługi Azure Machine Learning. Przejdziesz od ręcznego szkolenia modelu do architektury w pełni zautomatyzowanych, powtarzalnych potoków uczenia maszynowego. Czego się nauczysz: 1. Zrozumienie podstawowych koncepcji MLOps, etapów cyklu życia i komponentów architektonicznych. 2. Konfiguruj obszary robocze, zasoby danych i środowiska za pomocą zestawu Azure Machine Learning Python SDK v2. 3. Budowanie zautomatyzowanych potoków szkoleniowych w celu zapewnienia powtarzalnego rozwoju modelu. 4. Rejestruj, pakuj i wdrażaj modele w produkcyjnych punktach końcowych w celu wnioskowania w czasie rzeczywistym. 5. Wdrożyć ciągłą integrację i ciągłe dostarczanie (CI / CD) wzorów dla przepływów pracy ML. 6. Monitorowanie wydajności modelu i ustanowienie praktyk obserwacji w produkcji. Kurs zaczyna się od podstawowej terminologii MLOps i podstawowych pojęć, zanim przeprowadzi Cię przez praktyczne konfiguracje kodu do szkolenia, wdrażania i monitorowania. Nauczysz się poprzez szczegółowe pisemne wyjaśnienia, krok po kroku podziały architektoniczne i praktyczne fragmenty kodu Pythona. Ten kurs jest przeznaczony dla początkujących inżynierów ML, naukowców zajmujących się danymi i architektów chmur, którzy są nowi w MLOps. Nie jest wymagane wcześniejsze doświadczenie w DevOps lub administracji chmurą, chociaż pomocna jest podstawowa znajomość Pythona. Zacznij czytać już dziś, aby zaprojektować i skalować swoje pierwsze rozwiązanie MLOps klasy produkcyjnej.