Automatisierte Modellbereitstellung mit GitHub-Aktionen und MLOps

Die Umstellung eines Machine-Learning-Modells von einem lokalen Notebook auf eine zuverlässige Produktionsumgebung ist einer der wichtigsten Schritte im Lebenszyklus von Machine Learning. Durch die Automatisierung dieses Prozesses wird sichergestellt, dass Ihre Modelle ohne manuelle Eingriffe konsistent getestet, verpackt und bereitgestellt werden. Dieser textbasierte Kurs führt Sie durch die Kernkonzepte von Machine Learning Operations (MLOps) und Continuous Delivery. Sie erfahren, wie Sie automatisierte Workflows schreiben, die bei Codeänderungen ausgelöst werden, Ihr Modell in einen Container packen und es sicher auf einem Online-Endpunkt bereitstellen. Was Sie lernen werden: - Verstehen Sie die grundlegenden MLOps-Prinzipien und den Lebenszyklus der Modellbereitstellung - Konfigurieren Sie GitHub Actions-Workflows, um Test- und Bereitstellungsschritte zu automatisieren - Erstellen Sie Container-Images, um Ihre Machine-Learning-Modelle und Abhängigkeiten zu verpacken - Bereitstellen trainierter Modelle für Online-Endpunkte für Echtzeit-Inferenz - Implementieren Sie grundlegende Tests für Modelleingaben und Bereitstellungskonfigurationen - Verwalten Sie Geheimnisse und Anmeldeinformationen sicher in Ihren Automatisierungs-Pipelines Sie beginnen mit der wichtigsten Terminologie und den grundlegenden Konzepten von CI/CD und MLOps, bevor Sie zur praktischen Konfiguration übergehen. Anhand schriftlicher Erläuterungen und übersichtlicher Code-Snippets lernen Sie, wie Sie Workflow-Dateien schreiben, Modelle containerisieren und erfolgreiche Bereitstellungen überprüfen. Dieser Kurs richtet sich an Anfänger, die sich mit Datenwissenschaften beschäftigen, angehenden MLOps-Ingenieure und Softwareentwickler, die neu in der Bereitstellung von maschinellem Lernen sind und keine vorherige DevOps-Erfahrung benötigen. Automatisieren Sie Ihre Machine Learning-Workflows noch heute.