Apprentissage automatique et MLOps - Notions de base

La création d'un modèle d'apprentissage automatique dans un environnement de sandbox n'est que la première étape. Le véritable défi consiste à le déployer, à l'adapter et à le maintenir dans un environnement de production en direct. Ce cours basé sur du texte comble le fossé entre la science des données théorique et l'ingénierie pratique de l'apprentissage automatique. Vous apprendrez à définir clairement la portée des projets, à établir des bases de référence fiables, à gérer les pipelines de données, à déployer des modèles et à mettre en œuvre un suivi continu pour gérer les défis du monde réel, tels que la dérive des concepts. Ce que vous apprendrez: - Comprendre les phases de base du cycle de vie de l'apprentissage automatique de production, de la définition du projet à la conception du système. - Établir des mesures de performance de base et effectuer une analyse d'erreur structurée pour guider l'itération du modèle. - Concevoir des pipelines de données robustes et résoudre les problèmes de qualité des données, y compris le concept de traitement et la dérive des données. - Configurer les stratégies de déploiement et sélectionner les architectures appropriées pour la prédiction en temps réel et par lots. - Surveiller les performances du modèle en direct en utilisant des concepts d'observabilité modernes et des boucles de rétroaction automatisées. Le cours commence par des définitions fondamentales des systèmes de production et des principes MLOps avant de vous guider à travers la préparation des données, les modèles de déploiement et la maintenance post-déploiement.Grâce à des explications écrites et à des scénarios de code pratiques, vous apprendrez à penser comme un ingénieur en apprentissage automatique. Ce cours est conçu pour les ingénieurs ML, les scientifiques des données et les développeurs qui sont nouveaux dans les flux de production.Aucune expérience préalable de MLOps n'est requise, car nous commençons par les bases absolues du cycle de vie de la production. Commencez dès aujourd'hui votre parcours vers la création de systèmes d'apprentissage automatique fiables et prêts à la production.