Практические MLOps: Создание и развертывание конвейеров ML с MLflow и DVC

Переход модели машинного обучения из локальной ноутбуки в надежную производственную среду является одной из самых больших проблем в разработке ИИ сегодня. Этот курс ликвидирует разрыв между наукой о данных и программной инженерией, знакомя вас с основными принципами операций машинного образования (MLOps). С помощью структурированных письменных объяснений и практических примеров кода вы узнаете, как создавать автоматизированные, воспроизводимые и контролируемые конвейеры ML. Вы пройдете путь от понимания основной терминологии MLOps до версионирования наборов данных, отслеживания экспериментов с моделями и развертывания готовых к производству API. Что вы узнаете: - Понять основные концепции MLOps, этапы жизненного цикла и основные различия между DevOps и MLOp. - Отслеживание и регистрация экспериментов машинного обучения с использованием MLflow для обеспечения полной воспроизводимости. - Настройка управления версиями данных (DVC) для управления и версии больших наборов данных в рамках рабочего процесса Git. - Создание и контейнеризация микросервисов машинного обучения с использованием FastAPI и Docker. - Применять основные принципы CI / CD и инструменты AutoML с низким кодом для автоматизации обучения и оценки моделей. - внедрение методов мониторинга моделей и базовых методов наблюдения для выявления дрейфа данных в процессе производства. Курс начинается с основных терминов и жизненного цикла MLOps, а затем пошагово знакомит с управлением версиями данных, отслеживанием экспериментов и контейнеризированным развертыванием. Этот курс предназначен для начинающих, начинающих ученых данных и инженеров программного обеспечения, желающих войти в область MLOps, без предварительного опыта работы. Начните читать сегодня, чтобы создать надежные, готовые к производству конвейеры машинного обучения.