Pipelines de implantação e produção de modelos de machine learning

Construir um modelo de machine learning de alto desempenho é apenas metade da batalha; o valor real é percebido quando esse modelo está ao vivo e servindo previsões em um ambiente do mundo real. Muitos profissionais lutam para mover seu trabalho para fora de notebooks experimentais e para sistemas confiáveis e escaláveis que outros aplicativos podem usar. Você aprenderá as práticas essenciais de engenharia necessárias para construir, empacotar e manter pipelines de aprendizado de máquina que são reproduzíveis e prontos para integração.No final deste curso, você entenderá como preencher a lacuna entre a pesquisa em ciência de dados e a engenharia de software para fornecer valor de forma consistente. O que você vai aprender: - Entenda o ciclo de vida principal dos modelos de aprendizado de máquina, da pesquisa à implantação - Transforme os notebooks Jupyter em código de produção modular e estruturado usando princípios orientados a objetos - Aplique testes, registro e controle de versão para garantir a confiabilidade e a reprodutibilidade do modelo - Empacote modelos de aprendizado de máquina e os sirva através de APIs escaláveis - Implementar fluxos de trabalho de integração e entrega contínuas (CI / CD) para atualizações de modelos automatizadas - Utilize a containerização com o Docker para criar ambientes consistentes em diferentes plataformas - Monitore o desempenho e a saúde do modelo usando práticas modernas de observabilidade O curso começa com conceitos fundamentais de implantação de modelo e reprodutibilidade antes de passar para as práticas de refatoração de código, teste e containerização.Você progredirá da escrita de scripts simples para a compreensão de pipelines totalmente automatizados que lidam com processamento de dados e serviço de modelo. Este curso é projetado para aspirantes a cientistas de dados e desenvolvedores de software que são novos no campo de MLOps e querem aprender a colocar seus modelos para trabalhar.Não é necessária experiência de implantação anterior. Comece a criar sistemas de machine learning prontos para produção hoje mesmo.