Azure Machine Learning & MLOps: ML-Modelle erstellen und bereitstellen

Die Nachfrage nach Machine-Learning-Modellen, die nicht nur entwickelt, sondern auch zuverlässig in Produktionsumgebungen bereitgestellt und verwaltet werden, steigt rasant. MLOps (Machine Learning Operations) schließt die Lücke zwischen Modellentwicklung und Einsatzbereitschaft und ist daher eine Schlüsselkompetenz für moderne Datenexperten. Dieser Kurs vermittelt Ihnen das notwendige Wissen und praktische Verständnis, um Machine-Learning-Modelle mit Azure Machine Learning zu erstellen, bereitzustellen und zu verwalten. So stellen Sie sicher, dass Ihre Modelle nahtlos von der Experimentierphase in die Praxis übergehen. Lerninhalte: * Die Kernkonzepte und -prinzipien von Machine Learning Operations (MLOps) verstehen. * Wichtige Dienste der Azure Machine Learning-Plattform navigieren und nutzen. * Machine-Learning-Modelle effizient in Azure entwickeln, trainieren und registrieren. * Grundlegende MLOps-Praktiken für Modellversionierung, Continuous Integration und automatisierte Bereitstellungspipelines implementieren. * Machine-Learning-Modelle für eine konsistente und skalierbare Bereitstellung containerisieren. * Grundlegende Überwachung und Governance für bereitgestellte Modelle konfigurieren, um die Leistung zu verfolgen und die Zuverlässigkeit sicherzustellen. * Best Practices für die Verwaltung des gesamten Machine-Learning-Lebenszyklus in Azure anwenden. Dieser Kurs bietet Ihnen einen umfassenden Überblick über die Grundlagen von MLOps und führt Sie durch die Einrichtung Ihres Azure Machine Learning-Arbeitsbereichs, die Entwicklung von Modellen und die Anwendung von MLOps-Praktiken für deren Bereitstellung und Verwaltung während des gesamten Lebenszyklus. Sie erhalten Schritt-für-Schritt-Anleitungen und können Ihr Verständnis anhand schriftlicher Übungen festigen. Dieser Kurs richtet sich an absolute Anfänger im Bereich Machine Learning Operations und Cloud-basierter ML-Bereitstellung. Vorkenntnisse in Azure Machine Learning oder MLOps sind nicht erforderlich. Starten Sie jetzt Ihre Reise zur erfolgreichen Operationalisierung von Machine-Learning-Modellen.