Cơ sở của hệ thống ML sản xuất

Phát triển một mô hình học máy chỉ là một nửa trận chiến; triển khai nó một cách đáng tin cậy và hiệu quả trong một ứng dụng thực tế mang đến những thách thức độc đáo. Tìm hiểu cách nối kết khoảng cách giữa các mô hình học máy thử nghiệm và các hệ thống mạnh mẽ, hiệu quả sẵn sàng cho việc sản xuất. Chương trình này sẽ hướng dẫn bạn qua các nguyên tắc cơ bản và các bước thực tế cần thiết để xây dựng, triển khai và giám sát các mô hình học máy có thể hoạt động hiệu quả và có thể mở rộng trong môi trường sản xuất. Bạn sẽ học được: * Hiểu được chu kỳ sống của một hệ thống học máy sản xuất, từ việc hấp thụ dữ liệu đến phục vụ mô hình * Apply best practices for static and dynamic model training and inference strategies * Cấu hình môi trường huấn luyện phân tán bằng các công cụ như TensorFlow * Thực hiện các nguyên tắc MLOps cơ bản cho mô hình phiên bản, triển khai và giám sát * Sử dụng các nền tảng container để đảm bảo triển khai mô hình ML nhất quán và tái tạo * Đánh giá chỉ số hiệu suất và phát triển chiến lược cho việc duy trì và huấn luyện lại mô hình * Tìm hiểu các tính toán phần cứng chuyên biệt cho ML hiệu suất cao, chẳng hạn như TPU Chương trình bắt đầu với các định nghĩa và khái niệm cốt lõi, tiến hành qua các mô hình kiến trúc khác nhau và các cân nhắc triển khai thực tế, kết thúc với các chiến lược để duy trì sức khỏe mô hình trong sản xuất. Lớp học này được thiết kế cho người mới bắt đầu với một hiểu biết cơ bản về các khái niệm học máy sẵn sàng học cách vận hành mô hình của họ. Bắt đầu xây dựng hệ thống học máy đáng tin cậy và có thể mở rộng ngay hôm nay.