fbpx

生產的機器學習工程(MLOps)專業課程

Contents

成為機器學習專家。將機器學習知識用於生產並擴展你的生產工程能力。

關於此專業課程

了解機器學習和深度學習概念至關重要,但如果你希望有效展開你的 AI 職涯,還需要生產的工程能力。

有效部署機器學習模型需要在軟體工程和 DevOps 等技術領域更常見的能力。生產的機器學習工程將機器學習的基本概念與現代軟體開發和工程角色的功能專業知識相結合。

生產的機器學習工程 (MLOps, The Machine Learning Engineering for Production ) 專業課涵蓋了如何概念化、建構和維護在生產中持續運行的整合系統。與標準機器學習建模型成鮮明對比的是,生產系統需要處理不斷變化的資料。此外,生產系統必須以最低成本不間斷運行,同時以最好的效能生產。在本專業課程中,你將學習如何運用完善的工具和方法來有效且高效地完成這所有作業。

在本專業中,你將熟悉機器學習工程在生產上的能力、挑戰和結果。到最後,你將準備好運用新的就緒生產的技能參與尖端 AI 技術的開發,解決現實世界中的問題。

應用的學習專案

到最後,你將準備好

  • 端到端設計機器學習生產系統:專案範圍、資料需求、建模策略和部署要求
  • 建立模型基線,解決概念漂移問題,以及如何開發、部署和持續改進生產的 ML 應用程式的原型
  • 通過收集、清理和驗證資料集來構建資料管道
  • 使用 TensorFlow Extended 實施特徵工程、轉換和選擇
  • 通過利用資料沿襲和來源 metadata 工具建立資料生命週期,並使用企業資料模式追蹤資料演變
  • 應用技術來管理建模資源並最好地服務於離線/線上推理請求
  • 使用分析來解決模型公平性、可解釋性問題並緩解瓶頸
  • 為需要不同基礎架構的模型服務提供部署管道
  • 應用最佳實踐和漸進式交付技術來維持持續運行的生產系統

你將學到的內容有

  • 端到端設計 ML 生產系統:專業範圍界定、資料需求、建模策略和部署要求。
  • 建立模型基線,解決概念漂移,以及如何開發、部署和持續改進生產化 ML 應用程式的原型。
  • 通過收集、清理和驗證資料集來構建資料管道。 使用資料沿襲和來源 metadata 工具建立資料生命週期。
  • 應用最佳實踐和漸進式交付技術來維護和監控持續運行的生產系統。

你將獲得的技能:

管理機器學習生產系統部署管道模型管道
資料管道生產的機器學習工程

字幕

英文

製作方

deelpearning.ai

DeepLearning.AI 是一家教育技術公司,致力於開發全球 AI 人才社區。 DeepLearning.AIs 以專家為主導的教育體驗為 AI 從業者和非技術專業人士提供了從基礎到高級應用的必要工具,使他們能夠構建 AI 驅動的未來。

講師

Andrew Ng 頂尖授課教師

InstructorFounder, DeepLearning.AI & Co-founder, Coursera

Cristian Bartolomé Arámburu 頂尖授課教師

Curriculum DeveloperFounding Engineer, Pulsar

Robert Crowe

InstructorTensorFlow Developer Engineer, Google

Laurence Moroney

InstructorLead AI Advocate, Google

第 1 門課程   生產的機器學習簡介

在生產的機器學習工程專業的第一門課中,你將識別各種組件並端到端地設計 ML 生產系統:專案範圍、資料需求、建模策略以及部署約束和要求; 並學習如何建立模型基線、解決概念漂移問題,以及如何為開發、部署和持續改進生產化 ML 應用程式的流程建立原型。

了解機器學習和深度學習概念至關重要,但如果你希望有效發展 AI 職涯,還需要生產工程能力。 用於生產的機器學習工程將機器學習的基本概念與現代軟體開發和工程角色的功能專業知識相結合,以幫助你開發就緒生產的技能。

第 1 週:ML 生命週期和部署概述
第 2 週:選擇和訓練模型
第 3 週:資料定義和基線


第 2 門課程 生產的機器學習資料生命週期

生產的機器學習工程專業的第二門課中,你將通過收集、清理和驗證資料集以及評估資料品質來建構資料管道;使用 TensorFlow Extended 實施特徵工程、轉換和選擇,並從你的資料中獲得最大的預測能力;並通過利用資料沿襲和來源 metadata 工具建立資料生命週期,並使用企業資料模式追蹤資料演變。

了解機器學習和深度學習概念至關重要,但如果你希望有效發展 AI 職涯,則還需要生產工程能力。用於生產的機器學習工程將機器學習的基本概念與現代軟體開發和工程角色的功能專業知識相結合,以幫助你發展就緒生產的技能。

第 1 週:收集、標記和驗證資料
第 2 週:特徵工程、轉換和選擇
第 3 週:資料旅程和資料儲存
第 4 週:高級資料標記方法、資料增強和不同資料類型的預處理


第 3 門課程  生產的機器學習建模管道

在生產的機器學習工程專業的第三門課中,你將針對不同的服務環境構建模型; 實施工具和技術以有效管理你的建模資源並最好地服務於離線和線上推理請求; 並使用分析工具和性能指標來解決模型公平性、可解釋性問題並緩解瓶頸。

了解機器學習和深度學習概念至關重要,但如果你希望有效發展 AI 職涯,則還需要生產工程能力。 用於生產的機器學習工程將機器學習的基本概念與現代軟體開發和工程角色的功能專業知識相結合,以幫助你發展就緒生產的技能。

第 1 週:神經架構搜索
第 2 週:模型資源管理技術
第 3 週:高性能建模
第 4 週:模型分析
第 5 週:可解釋性


第 4 門課程  生產的部署機器學習模型

在生產的機器學習工程專業的第四門課程中,你將學習如何部署 ML 模型並使它們可供最終用戶使用。 你將構建可擴展且可靠的硬體基礎架構,以根據用例實時和批量交付推理請求。 你還將實施符合當前 MLOps 實踐的工作流自動化和漸進式交付,以保持你的生產系統運行。 此外,你將持續監控你的系統以檢測模型衰減、修復性能下降並避免系統故障,以便它可以始終持續運行。

了解機器學習和深度學習概念至關重要,但如果你希望有效發展 AI 職涯,則還需要生產工程能力。 用於生產的機器學習工程將機器學習的基本概念與現代軟體開發和工程角色的功能專業知識相結合,以幫助你發展就緒生產的技能。


到官方網站了解本課程與上課

Sponsored by Coursera


Lingoda

也許你會有興趣


幫我們個小忙!

這個網站採用 Akismet 服務減少垃圾留言。進一步了解 Akismet 如何處理網站訪客的留言資料

Powered by WordPress.com.

Up ↑

%d 位部落客按了讚: