MLOps Fundamentals: Erstellen und Bereitstellen von Produktions-ML-Systemen

Um ein maschinelles Lernmodell von einem isolierten Notebook in eine zuverlässige Produktionsumgebung zu übertragen, sind ganz andere Fähigkeiten erforderlich als nur Trainingsalgorithmen. Dieser Kurs schließt die Lücke zwischen Data Science und Software Engineering, indem er die Grundprinzipien von Machine Learning Operations (MLOps) einführt. Sie werden vom Schreiben manueller ML-Skripte zum Entwerfen automatisierter, robuster und reproduzierbarer Machine-Learning-Pipelines übergehen. In diesem Kurs erfahren Sie, wie Sie Daten verwalten, Experimente verfolgen, Modelle verpacken und deren Leistung in realen Szenarien überwachen. Was Sie lernen werden: - Verstehen Sie die grundlegende MLOps-Terminologie, die Lebenszyklusphasen und die Hauptunterschiede zwischen traditionellen DevOps und MLOp. - Konfigurieren Sie automatisierte Datenpipelines und Versionskontrollsysteme für Code und Datensätze. - Verfolgen Sie maschinelle Lernexperimente, Parameter und Modellartefakte systematisch. - Erstellen Sie automatisierte CI / CD-Pipelines, um Modelle mithilfe von Containerisierungsgrundlagen zu testen, zu verpacken und bereitzustellen. - Überwachen Sie Produktionsmodelle auf Datendrift, Konzeptdrift und Leistungsabfall. - Wenden Sie moderne Beobachtungsmuster an, um den Systemzustand und die Zuverlässigkeit aufrechtzuerhalten. Der Kurs beginnt mit grundlegenden Definitionen und Lebenszykluskonzepten, bevor Sie durch Datenversionierung, Experimentverfolgung, Bereitstellungsstrategien und kontinuierliche Überwachung geführt werden. Sie lernen durch klare schriftliche Erklärungen, Architektur-Breaksdowns und praktische textbasierte Konfigurationsübungen. Dieser Kurs richtet sich an aufstrebende ML-Ingenieure, Data Scientists und Softwareentwickler, die neu im Betrieb sind. Er erfordert nur grundlegende Python-Kenntnisse und keine vorherige MLOps-Erfahrung. Erstellen Sie noch heute zuverlässige, automatisierte Machine-Learning-Systeme.