Pipelines de déploiement et de production de modèles d'apprentissage automatique

La construction d'un modèle d'apprentissage automatique haute performance n'est que la moitié de la bataille; la valeur réelle est réalisée lorsque ce modèle est en direct et sert des prédictions dans un environnement du monde réel.De nombreux praticiens ont du mal à déplacer leur travail hors des cahiers expérimentaux et dans des systèmes fiables et évolutifs que d'autres applications peuvent utiliser.Ce cours fournit un chemin clair pour transformer le code expérimental en logiciel de qualité professionnelle. Vous apprendrez les pratiques d'ingénierie essentielles requises pour construire, empaqueter et maintenir des pipelines d'apprentissage automatique reproductibles et prêts à être intégrés.À la fin de ce cours, vous comprendrez comment combler le fossé entre la recherche en science des données et l'ingénierie logicielle pour fournir une valeur constante. Ce que vous apprendrez: - Comprendre le cycle de vie de base des modèles d'apprentissage automatique, de la recherche au déploiement - Transformez les cahiers Jupyter en code de production modulaire structuré en utilisant des principes orientés objet - Appliquer les tests, l'enregistrement et le contrôle de version pour assurer la fiabilité et la reproductibilité du modèle - Packagez des modèles d'apprentissage automatique et servez-les via des API évolutives - Implémenter des flux de travail d'intégration et de livraison continues (CI / CD) pour les mises à jour de modèles automatisées - Utilisez la conteneurisation avec Docker pour créer des environnements cohérents sur différentes plates-formes - Surveiller les performances et la santé du modèle en utilisant des pratiques d'observabilité modernes Le cours commence par les concepts fondamentaux du déploiement et de la reproductibilité des modèles avant de passer aux aspects pratiques du refactoring, des tests et de la conteneurisation du code.Vous passerez de l'écriture de scripts simples à la compréhension de pipelines entièrement automatisés qui gèrent le traitement des données et le service de modèles. Ce cours est conçu pour les scientifiques de données et les développeurs de logiciels en herbe qui sont nouveaux dans le domaine des MLOps et qui veulent apprendre à mettre leurs modèles au travail.Aucune expérience de déploiement préalable n'est requise. Commencez dès aujourd'hui à créer des systèmes d'apprentissage automatique prêts pour la production.