Bereitstellungs- und Produktionspipelines für Modelle des maschinellen Lernens

Die Entwicklung eines leistungsstarken Machine-Learning-Modells ist nur der erste Schritt; der wahre Nutzen entsteht erst, wenn das Modell im Live-Betrieb Vorhersagen in realen Umgebungen liefert. Viele Anwender tun sich schwer, ihre Arbeit aus experimentellen Notebooks in zuverlässige, skalierbare Systeme zu überführen, die von anderen Anwendungen genutzt werden können. Dieser Kurs bietet einen klaren Weg, um experimentellen Code in professionelle Software zu verwandeln. Sie erlernen die grundlegenden Entwicklungsmethoden, die für die Erstellung, das Paketieren und die Wartung von reproduzierbaren und integrationsfähigen Machine-Learning-Pipelines erforderlich sind. Am Ende dieses Kurses verstehen Sie, wie Sie die Lücke zwischen Data-Science-Forschung und Softwareentwicklung schließen, um kontinuierlich Mehrwert zu schaffen. Was Sie lernen werden: - Den Kernlebenszyklus von Machine-Learning-Modellen von der Forschung bis zur Bereitstellung verstehen - Jupyter-Notebooks mithilfe objektorientierter Prinzipien in strukturierten, modularen Produktionscode umwandeln Testen, Logging und Versionierung anwenden, um die Zuverlässigkeit und Reproduzierbarkeit von Modellen sicherzustellen Machine-Learning-Modelle verpacken und über skalierbare APIs bereitstellen CI/CD-Workflows (Continuous Integration/Continuous Delivery) für automatisierte Modellaktualisierungen implementieren Containerisierung mit Docker nutzen, um konsistente Umgebungen auf verschiedenen Plattformen zu schaffen Modellleistung und -zustand mithilfe moderner Observability-Methoden überwachen Der Kurs beginnt mit den Grundlagen der Modellbereitstellung und -reproduzierbarkeit, bevor er sich mit der praktischen Anwendung von Code-Refactoring, Tests und Containerisierung befasst. Sie lernen, einfache Skripte zu schreiben und vollständig automatisierte Pipelines zu verstehen, die die Datenverarbeitung und Modellbereitstellung übernehmen. Dieser Kurs richtet sich an angehende Data Scientists und Softwareentwickler, die neu im Bereich MLOps sind und lernen möchten, wie sie ihre Modelle in der Praxis einsetzen. Vorkenntnisse in der Bereitstellung sind nicht erforderlich. Beginnen Sie noch heute mit dem Aufbau produktionsreifer Machine-Learning-Systeme.