MLOps Foundations: Operationalisierung von Machine Learning Modellen

Viele Machine-Learning-Modelle kommen nie über die experimentelle Phase hinaus, da ihre Bereitstellung und Wartung in der Produktion besondere betriebliche Fähigkeiten erfordert. Dieser textbasierte Kurs schließt die Lücke zwischen Data Science und Software Engineering und führt Sie Schritt für Schritt durch den Prozess der Erstellung automatisierter, zuverlässiger Pipelines für Ihre Modelle. Durch das Lesen klarer Erklärungen, das Studium strukturierter Codebeispiele und das Abschließen schriftlicher Übungen lernen Sie, wie Sie statische Modelle in belastbare Produktionsdienste umwandeln. Was Sie lernen werden: - Verstehen Sie die grundlegenden MLOps-Prinzipien und den gesamten Lebenszyklus des maschinellen Lernens in der Produktion. - Erstellen Sie automatisierte Pipeline-Workflows, um den Übergang von der Schulung zur Bereitstellung reibungslos zu gestalten. - Konfigurieren Sie CI / CD-Pipelines und automatisierte Tests, die auf Machine Learning-Code und Datenvalidierung zugeschnitten sind. - Containerisieren Sie Modelle mithilfe von Container-Grundlagen, um eine konsistente Ausführung in verschiedenen Umgebungen sicherzustellen. - Grundlegende Beobachtungsfähigkeit und Überwachung zur Verfolgung der Modelldrift und der Systemleistung. - Wenden Sie modernes Packaging und Abhängigkeitsmanagement an, um Ihren Produktionscode sauber und reproduzierbar zu halten. Sie beginnen mit der Kernterminologie und den Grundkonzepten von MLOps, bevor Sie Schritt für Schritt zu Automatisierung, Containerisierung, Testen und Strategien für die kontinuierliche Bereitstellung übergehen. Dieser Kurs richtet sich an Data Scientists, Softwareentwickler und angehende ML-Ingenieure, die lernen möchten, wie sie Modelle operationalisieren können, ohne vorherige DevOps-Erfahrung zu benötigen. Lernen Sie noch heute, wie Sie produktionsfähige Machine-Learning-Modelle bereitstellen und verwalten.