MLOps 訓練營：掌握 AI 操作以取得成功 - AIOps

透過我們的 MLOps 訓練營解鎖 AI 營運的成功 – 掌握工具、技術、AIOps 以獲得尖端專業知識

從這 36.5 小時的課程，你會學到

為 MLOps 應用程式量身定制 Python 打下堅實的基礎。
使用 Python 的強大功能簡化機器學習流程。
利用 Python 在資料科學中進行有效的資料操作和分析。
了解 Python 如何增強整個資料科學生命週期。
使用 Git 進行協作開發的主版本控制。
了解如何在 MLOps 專案中有效管理和追蹤變更。
深入研究包裝機器學習模型的藝術以方便實施。
確保模型在不同環境中可複製和可部署。
使用 MLflow 有效管理和追蹤機器學習實驗。
使用 MLflow 增強實驗追蹤和管理。
獲得用於 MLOps 設定和部署的 YAML 基本技能。
獲得編寫和解釋 YAML 檔案的實務經驗。
探索 Docker 及其在容器化機器學習應用程式中的作用。
了解容器化對於高效能 MLOps 的優勢。
使用 FastAPI 開發機器學習應用程式，以實現高效且可擴展的部署。
探索 Streamlit 和 Flask 創建互動式 Web 應用程式。
為 MLOps 實施持續整合和持續部署管道。
自動開發、測試和部署 ML 模型。
深入了解 Linux 作業系統。
探索 Linux 對於 MLOps 中的 DevOps 和資料科學家有何重要性。
深入研究 Jenkins，一個開源自動化伺服器。
了解如何設定和配置 Jenkins 以自動化 MLOps 工作流程。
深入了解 MLOps 的有效監控和調試( debug )策略。
使用工具和技術來識別和解決機器學習系統中的問題。
使用 Prometheus 和 Grafana 設定對 MLOps 的連續監控
增強機器學習應用程式的可觀察性。
透過掌握 Docker Compose 擴展 Docker 技能。
了解無縫部署多容器應用程式。
探索 MLOps 中持續效能監控的工具和策略。
主動解決生產機器學習系統中的問題。
使用 WhyLogs 有效監控和記錄 ML 資料。
增強機器學習系統的可觀察性和可追溯性。
了解在生產環境中維護和更新 ML 模型的關鍵步驟。
實施最佳實踐，確保已部署的機器學習系統的長期成功。

要求

熟悉程式設計概念者優先，但我們的課程也會介紹
一些資料處理和分析知識將會很有幫助。
對版本控制概念的基本了解，最好使用 Git – 將是有益的
對機器學習和 DevOps 實踐交叉的熱情。
參與者應該能夠使用具有穩定網路連線的電腦來觀看影片內容並進行實踐練習。

課程說明

歡迎來到我們內容豐富的 MLOps 訓練營（AI Ops 訓練營），這是一次變革性的學習之旅，旨在讓你掌握在機器學習操作 (MLOps) 動態領域取得成功所必需的技能和知識。這個綜合性專案涵蓋了廣泛的主題，從 Python 和資料科學基礎知識到高級機器學習工作流程、Git 基礎知識、用於機器學習的 Docker、CI/CD 管道等等。

課程概述：

1. 用於 MLOps 的 Python：

深入研究專為 MLOps 量身訂做的 Python 基礎知識。
探索 Python 在簡化和增強機器學習流程方面的作用。
提高利用 Python 進行有效 MLOps 實踐的熟練程度。

2. 用於資料科學的 Python：

發現 Python 在資料科學背景下的強大功能。
使用 Python 學習基本的資料操作和分析技術。
了解 Python 如何增強整個資料科學生命週期。

3. Git 與 GitHub 基礎 :

掌握使用 Git 進行版本控制的要點。
了解 GitHub 如何促進 MLOps 中的協作開發。
了解如何在 MLOps 專案中有效管理和追蹤變更。

4. 打包 ML 模型：

深入研究包裝機器學習模型的藝術。
探索不同的包裝技術及其影響。
確保你的機器學習模型易於部署和重現。

5. MLflow – 管理 ML 經驗 :

學習有效管理和追蹤機器學習實驗。
了解 MLflow 用於實驗追蹤和管理的功能和優勢。
在 MLOps 專案中實作 MLflow 以增強實驗。

6. YAML 速成課程 :

為關鍵配置語言 YAML 打下堅實的基礎。
了解如何在 MLOps 中使用 YAML 進行設定和部署。
獲得編寫和解釋 YAML 檔案的實用技能。

7. 打包 ML 模型：

探索 Docker 及其在容器化機器學習應用程式中的作用。
了解 MLOps 容器化的優勢。
了解為機器學習專案建置和部署 Docker 容器。

8. 使用 FastAPI 建立 MLApp：

深入研究 FastAPI，這是一個用於建立 API 的現代、快速 Web 框架。
學習使用 FastAPI 開發 ML 應用程式，以實現高效且可擴展的部署。
實施建立強大的 MLApp 的最佳實務。

9. 使用 Streamlit 建置 MLApp：

探索 Streamlit，這是一個用於建立互動式 Web 應用程式的強大框架。
累積使用 Streamlit 建構 MLApp 的實務經驗。
了解 Streamlit 如何增強機器學習應用程式的使用者介面。

10. 使用 Flask 建置 MLApp：

熟練使用 Flask（一種流行的 Python Web 框架）。
學習使用 Flask 建置和部署機器學習應用程式。
了解 Flask 與 MLOps 工作流程的整合。

11. 機器學習的 CI/CD：

探索 MLOps 背景下的持續整合和持續部署 (CI/CD) 管道。
實施自動化以簡化 ML 模型的開發、測試和部署。
了解如何為機器學習專案建立強大的 CI/CD 工作流程。

12. 針對 DevOps 和資料科學家的 Linux 作業系統：

了解 Linux 作業系統的基礎知識。
探索 Linux 對於 MLOps 中的 DevOps 和資料科學家有何重要性。
獲得使用 Linux 執行 MLOps 任務的實用技能。

13. 運用 Jenkins 協作 :

深入研究 Jenkins，一個開源自動化伺服器。
了解如何設定和配置 Jenkins 以自動化 MLOps 工作流程。
了解 Jenkins 如何提高 MLOps 中持續整合和部署的效率。

14. 機器學習系統的監控與 Debug：

深入了解 MLOps 的有效監控和調試(debug)策略。
學習識別和解決機器學習系統中問題的工具和技術。
實施維持機器學習系統健康和性能的最佳實踐。

15. 使用 Prometheus 進行連續監控：

探索 Prometheus，一個開源監控和警報工具包。
了解如何使用 Prometheus 設定 MLOps 的連續監控。
了解 Prometheus 如何增強機器學習應用程式中的可觀察性。

16. 使用 Docker Compose 部署應用程式：

透過掌握 Docker Compose 擴展您的 Docker 技能。
了解使用 Docker Compose 無縫部署多容器應用程式。
了解 Docker Compose 如何增強複雜 MLOps 架構的部署。

17. 機器學習應用的持續監控：

深入研究專為機器學習應用程式量身定制的持續監控實踐。
探索工具和策略以確保 MLOps 中的持續效能監控。
實施解決方案以主動解決生產機器學習系統中的問題。

18. 使用 WhyLogs 監控 ML 系統：

探索 WhyLogs，一個用於機器學習的資料記錄庫。
了解 WhyLogs 如何促進有效監控和記錄 ML 資料。
實施 WhyLogs 以增強 ML 系統的可觀察性和可追溯性。

19. ML 模型的後製：

了解機器學習模型後製所涉及的關鍵步驟。
探索在生產環境中維護和更新 ML 模型的策略。
深入了解確保部署的機器學習系統長期成功的最佳實踐。

結論：

參加這個全面的 MLOps 訓練營，轉變您的技能並提高您在動態且不斷發展的機器學習運作領域的熟練程度。無論您是經驗豐富的專業人士還是剛開始 MLOps 之旅，該計劃都提供成功實施穩健且高效的機器學習工作流程所需的知識、工具和實踐經驗。加入我們，成為 MLOps 大師，準備好以信心和專業知識應對現代 AI 領域的挑戰。