Pratik MLOps: MLflow ve DVC ile ML Boru Hattı Yapma ve Yükleme

Bir makine öğrenme modelini yerel bir dizüstü bilgisayardan güvenilir bir üretim ortamına taşımak, günümüzde yapay zeka geliştirmesinin en büyük zorluklarından biridir.Bu kurs, Machine Learning Operations (MLOps) temel ilkelerine tanıtarak veri bilimi ve yazılım mühendisliği arasındaki boşluğu doldurur. Yapısal, yazılı açıklamalar ve pratik kod örnekleri yoluyla, otomatik, tekrarlanabilir ve izlenebilir ML boru hatlarını nasıl inşa edeceğinizi öğreneceksiniz.MLOps çekirdek terminolojisini anlamaktan, veri setlerini sürümlemeye, model deneylerini izleme ve üretim hazır API'leri dağıtmaya ilerleyeceksiniz. Ne öğreneceksin: - Temel MLOps kavramları, yaşam döngüsü safhaları ve DevOps ve MLOp'lar arasındaki temel farklılıkları anlayın. - MLflow kullanarak makine öğrenimi deneylerini takip edin ve kayıt edin, böylece tamamen tekrarlanabilirlik sağlanabilir. - Git çalışma akışı içinde büyük veri kümelerini yönetmek ve sürümlemek için Veri Sürüm Kontrolünü (DVC) ayarlayın. - FastAPI ve Docker kullanarak makine öğrenimi mikro hizmetlerini oluşturun ve konteynerleyin. - Model eğitimi ve değerlendirmesini otomatikleştirmek için temel CI / CD ilkeleri ve düşük kod AutoML araçlarını uygulayın. - Üretimde veri kaymasını tespit etmek için model izleme ve temel gözlemlenebilirlik uygulamalarını uygulamak. Kurs, veri sürümleme, deney izleme ve konteyner dağıtımı yoluyla adım adım yönlendirmeden önce temel terminoloji ve MLOps yaşam döngüsü ile başlar. Bu kurs, başlangıçcılar, umut verici veri bilimcileri ve MLOps alanına girmek isteyen yazılım mühendisleri için tasarlanmıştır, önceden gerekli operasyon deneyimi yoktur. Güvenilir, üretime hazır makine öğrenimi boru hatları inşa etmek için bugün okumaya başlayın.