Grundlagen von Produktions-ML-Systemen

Die Entwicklung eines Machine-Learning-Modells ist nur die halbe Miete. Die zuverlässige und effiziente Bereitstellung in einer realen Anwendung stellt besondere Herausforderungen dar. Erfahren Sie, wie Sie die Lücke zwischen experimentellen Machine-Learning-Modellen und robusten, leistungsstarken Systemen für den Produktionseinsatz schließen. Dieser Kurs führt Sie durch die grundlegenden Prinzipien und praktischen Schritte, die zum Erstellen, Bereitstellen und Überwachen von Machine-Learning-Modellen erforderlich sind, die effektiv und skalierbar in Produktionsumgebungen betrieben werden können. Was Sie lernen werden: * Verstehen Sie den Lebenszyklus eines Produktions-Machine-Learning-Systems, von der Datenaufnahme bis zur Modellbereitstellung * Anwenden von Best Practices für statische und dynamische Modelltrainings- und Inferenzstrategien * Konfigurieren Sie verteilte Trainingsumgebungen mit Tools wie TensorFlow * Implementieren Sie grundlegende MLOps-Prinzipien für Modellversionierung, Bereitstellung und Überwachung * Nutzen Sie die Grundlagen der Containerisierung, um konsistente und reproduzierbare ML-Modellbereitstellungen sicherzustellen * Bewerten Sie Leistungsmetriken und entwickeln Sie Strategien für die laufende Modellwartung und -umschulung * Erkunden Sie spezielle Hardware-Überlegungen für Hochleistungs-ML, wie z. B. TPUs Der Kurs beginnt mit Kerndefinitionen und -konzepten, geht über verschiedene Architekturmuster und praktische Bereitstellungserwägungen und endet mit Strategien zur Aufrechterhaltung des Modellzustands in der Produktion. Dieser Kurs richtet sich an Anfänger mit einem Grundverständnis der Konzepte des maschinellen Lernens, die bereit sind, zu lernen, wie sie ihre Modelle operationalisieren können. Erstellen Sie noch heute zuverlässige und skalierbare Machine-Learning-Systeme.