Dasar-dasar MLOps: Mengelola Siklus Hidup ML dengan MLflow dan Hugging Face

Memindahkan model machine learning dari notebook lokal ke sistem produksi yang andal memerlukan operasi yang kuat. Kursus berbasis teks ini memandu Anda melalui alat dasar MLOps modern, dengan fokus pada MLflow dan Hugging Face. Anda akan beralih dari menulis kode machine learning yang terisolasi menjadi mengelola siklus hidup ML yang terstruktur dan dapat direproduksi. Dengan memahami cara melacak eksperimen, mengemas model, dan memanfaatkan aset pra-latih, Anda akan membangun keterampilan yang diperlukan untuk membuat proyek AI Anda andal dan mudah dipelihara. Apa yang akan Anda pelajari: - Memahami prinsip inti MLOps, dimulai dengan terminologi dasar dan tahapan siklus hidup. - Melacak eksperimen machine learning, parameter, dan metrik kinerja menggunakan MLflow Tracking. - Mengelola dan membuat versi model Anda secara sistematis menggunakan MLflow Model Registry. - Menjelajahi ekosistem Hugging Face untuk menemukan, memuat, dan melakukan fine-tuning pada model pra-latih. - Menerapkan alur kerja yang dapat direproduksi untuk memastikan proyek machine learning Anda siap untuk dideploy. - Melacak beban kerja modern, termasuk pencatatan eksperimen dasar untuk large language models. Kursus ini dimulai dengan konsep dan kosakata MLOps yang penting sebelum beralih ke panduan tertulis langkah demi langkah dan contoh konfigurasi. Anda akan berkembang dari pelacakan eksperimen dasar hingga mengelola registri model yang siap produksi melalui penjelasan yang jelas dan cuplikan kode terstruktur. Kursus ini dirancang untuk calon ML engineer, data scientist, dan pengembang perangkat lunak yang baru mengenal MLOps, tanpa memerlukan pengalaman DevOps atau infrastruktur tingkat lanjut sebelumnya. Mulailah membaca hari ini untuk membangun fondasi yang andal bagi operasi machine learning Anda.