完成 MLOps 訓練營 | Python 2022 從零到英雄

Contents

使用 MLFlow、Scikit-learn、CI/CD、Azure、FastAPI、Gradio、SHAP、Docker、DVC、Flask 的 MLOps 進階實踐訓練營。

從這 10 小時的課程，你會學到

MLOps 基礎知識
MLOps 工具箱
使用 MLFlow 進行模型版本控制
使用 DVC 進行資料版本控制
Auto-ML 和低程式碼 MLOps
模型可解釋性、可審計性和可解釋的機器學習
使用 Docker 的容器化機器學習工作流
通過 APIS 在生產環境中部署 ML
通過 Web 應用程式在生產環境中部署 ML
Azure 雲端的 MLOps

要求

Python基礎

課程說明

如果你正在尋找一份全面的、實踐性的、基於專案的 MLOps(Machine Learning Operations，機器學習操作)學習指南，那麼你來對地方了。

根據 Algorithmia 的一項調查，85% 的機器學習專案沒有投入生產。此外，MLOps 在過去幾年中呈指數增長。 2019 年 MLOPS 估計為 232 億美元，預計到 2025 年將達到 1260 億美元。因此，MLOps 知識將為你提供大量專業機會。

本課程旨在教授與 MLOps 相關的所有內容，從模型( model )開發、模型註冊和模型版本控制；模型性能監控、CI/CD、雲端部署、模型服務和 API，以及將模型投入生產的 Web 應用程式開發。

我們將指導你了解 MLOps 技能，分享清晰的說明和寶貴的專業建議。

通過視覺培訓、可下載的學習指南、動手練習和真實世界的實驗室，這是你學習如何實施端到端 MLOps 專案所需的唯一課程。在本課程結束時，你不僅會從頭開始開發整個 MLOps 專案，而且還將獲得將這些相同概念應用到專案中的知識和信心。

課程包括什麼？

MLOps 基礎知識。我們將了解 MLOps 的基本概念和基礎知識。我們將研究傳統的 ML 模型管理挑戰以及 MLOps 如何解決這些問題以提供解決方案。
MLOps 工具箱。我們將學習如何應用 MLOps 工具來實施端到端專案。
使用 MLFlow 進行模型版本控制。我們將學習使用 MLFlow 對機器學習模型進行版本化和註冊。 MLflow 是一個開源平台，用於管理 ML 生命週期，包括實驗、再現性、部署和中央模型註冊表。
自動機器學習和低程式碼 MLOps。我們將學習使用 Auto-Ml 和低代碼庫（如 Pycaret）自動開發機器學習模型。 Pycaret 自動化了大部分 MLOps 週期，包括模型版本控制、訓練、評估和部署。
可解釋性、可審計性和可說明的機器學習。通過 SHAP 和 Evidently 了解模型的可解釋性、可說明性、可審計性和資料漂移。
使用 Docker 的容器化( containerized )機器學習工作流程。 Docker 是最常用的工具之一，用於打包我們應用程式的程式碼和依賴項並有效地分發它。我們將學習如何使用 Docker 來打包我們的機器學習應用程式。
通過 APIS 在生產環境中部署 ML。我們將學習如何通過使用 FastAPI 和 Flask 的 API 開發將模型部署到生產環境。我們還將學習使用 Azure 容器在 Azure 雲中部署這些 API。
通過 Web 應用程式在生產環境中部署 ML。我們將學習使用 Gradio 開發具有嵌入式機器學習模型的 Web 應用程式。我們還將學習如何使用 Flask 和 HTML 開發 ML 應用程式，通過 Docker 容器分發它，並將其部署到 Azure 中的生產環境。
Azure 雲端的 MLOps。最後，我們將了解模型在雲端的開發和部署，特別是在 Azure 中。我們將學習如何在 Azure 上訓練模型，將它們投入生產，然後使用這些模型。