Daftar pustaka ^ a b c d e f g h i j k l m n o p q

Memindahkan model machine learning dari lingkungan lokal ke sistem produksi yang dapat diandalkan memerlukan serangkaian alat dan pola arsitektur yang khusus. Mengerti cara menggunakan model akan memastikan bahwa prediksi Anda dapat diakses, cepat, dan dapat disesuaikan untuk aplikasi di dunia nyata. Kursus berbasis teks ini memandu Anda melalui konsep dasar model serving, mengajarkan Anda cara membangun pipa inferensi yang siap produksi. Anda akan belajar untuk membungkus model dalam API yang efisien, mengkontainerisasi mereka untuk deploymen yang konsisten, dan mengoptimalkan kinerja menggunakan standar modern. Apa yang akan kau pelajari: - Mengerti model inti yang melayani arsitektur dan siklus hidup model pembelajaran mesin dalam produksi. - Bangun kinerja tinggi, API web asynchronous menggunakan Python, FastAPI, dan tip tip. - Konversi dan mengoptimalkan model pembelajaran mesin menggunakan kerangka ONNX untuk inferensi yang lebih cepat. - Containerize lingkungan aplikasi Anda dengan Docker untuk memastikan deployment yang dapat diandalkan di seluruh infrastruktur. - Implementasi pengujian dasar untuk ML endpoint menggunakan pytest untuk menjamin stabilitas API. - Terapkan prinsip MLOps modern untuk memperbesar sistem layanan Anda dan menangani lalu lintas masuk secara efisien. Kursus ini dimulai dengan terminologi kunci dan definisi dasar API dan kontenerisasi sebelum beralih ke implementasi praktis. Anda akan berkembang melalui langkah-demi-langkah penjelasan tertulis dan potongan kode terstruktur untuk membangun, paket, dan menguji model Anda sendiri yang melayani pipa. Program ini dirancang untuk insinyur ML bercita-cita, ilmuwan data, dan pengembang perangkat lunak baru untuk MLOps, tanpa pengalaman DevOps sebelumnya yang diperlukan. Mulai membaca hari ini untuk menjembatani kesenjangan antara pelatihan model dan peluncuran siap produksi.