Wprowadzenie do MLOps: tworzenie i wdrażanie potoków za pomocą platformy Azure

Wiele modeli uczenia maszynowego nigdy nie przechodzi poza fazę eksperymentalną, ponieważ przejście ich do produkcji wymaga systematycznego, zautomatyzowanego podejścia.Ten kurs wprowadza Cię do MLOps, podstawowej dyscypliny, która łączy rozwój uczenia maszynowego z operacjami w celu dostarczenia niezawodnych, skalowalnych modeli w świecie rzeczywistym. Dzięki temu kompleksowemu przewodnikowi przejdziesz od ręcznego szkolenia modelu do projektowania zautomatyzowanych, gotowych do produkcji przepływów pracy.Zrozumiesz, jak zastosować zasady DevOps do nauki o danych, umożliwiając zautomatyzowane testowanie, ciągłą integrację i systematyczne wdrażanie modelu. Czego się nauczysz: - Zrozum podstawowe pojęcia MLOps, w tym poziomy dojrzałości, fazy cyklu życia i wyzwania związane z tradycyjnym wdrażaniem uczenia maszynowego. - Zaprojektuj potoki ciągłej integracji (CI) i ciągłej dostawy (CD) dostosowane specjalnie do przepływów pracy uczenia maszynowego. - Skonfiguruj pętle ciągłego szkolenia (CT), aby automatycznie przećwiczyć modele po otrzymaniu nowych danych. - Zastosuj koncepcje Azure Machine Learning i Azure DevOps, aby zorganizować kompleksowe potoki uczenia maszynowego. - Monitoruj wdrożone modele w produkcji za pomocą strategii wykrywania dryfu i śledzenia wydajności, aby zapewnić długoterminową niezawodność. Zaczniesz od nauki podstawowej terminologii MLOps i zasad architektury, a następnie przejdziesz krok po kroku przez konfiguracje potoków.Materiał obejmuje wszystko, od wersjonowania danych i modeli po automatyzację wdrożeń i konfigurację monitorowania produkcji. Ten kurs jest przeznaczony dla początkujących inżynierów ML, naukowców zajmujących się danymi i programistów, którzy są nowi w operacjach i chcą zbudować solidne podstawy.Nie jest wymagane wcześniejsze doświadczenie DevOps, ponieważ zaczynamy od absolutnych podstaw potoków i automatyzacji. Zacznij czytać już dziś, aby opanować procesy, które ożywiają modele uczenia maszynowego w produkcji.