MLflow ve Hugging Face ile MLOps Temelleri

Makine öğrenimi araştırmadan üretime doğru ilerlerken, modelleri verimli bir şekilde takip etme, yönetme ve dağıtma yeteneği artık kritik bir beceridir.Bu kurs, yeni başlayanlara alanda en etkili iki aracı kullanarak makine öğreniminin operasyonel tarafını anlamalarına açık bir yol sağlar. Tecrit edilmiş senaryoları çalıştırmaktan profesyonel makine öğrenimi yaşam döngülerini güvenle yönetmeye geçiş yapacaksınız. Yapısal metin tabanlı dersler aracılığıyla, yeniden üretilebilirliği nasıl koruyabileceğinizi, modellerinizin sürümlerini ve modern MLOps paternlerini kullanarak etkili bir şekilde işbirliği yapmayı öğreneceksiniz. * MLOp'ların temel ilkelerini ve deney izleme önemini anlamak * MLflow'u tekrarlanabilir sonuçlar için parametre, metrik ve artefaktları kaydetmeye ayarlayın * Versiyon kontrolü için merkezi bir model kaydı kullanarak model yaşam döngüsünü yönetin * Önceden eğitilmiş modeller ve veri kümelerini keşfetmek, kullanmak ve paylaşmak için Hugging Face Hub'ı keşfedin * Ölçeklenebilirliği sağlamak için makine öğrenimi projelerini organize etmek için en iyi uygulamaları uygulayın * Daha iyi gözlemlenebilirlik için model izlemeyi mevcut Python iş akışlarına entegre edin Kurs, izleme ve depo yönetiminin pratik uygulamasına geçmeden önce MLOps'in arkasındaki temel terminoloji ve temel kavramlarla başlar. Detaylı yazılı açıklamalar ve kod örnekleri yoluyla temel deney kayıtlarından model sürümleme ve dağıtım etkileşimlerine ilerleyeceksiniz. Bu kurs, veri bilimi ve alanının operasyonel tarafını öğrenmek isteyen makine öğrenimi konusunda yeni başlayanlar için tasarlanmıştır; MLOps araçları ile önceden bir deneyim gerekmez. Daha profesyonel ve tekrarlanabilir bir makine öğrenimi çalışma akışını bugün oluşturmaya başlayın.