Разработка решений MLOps с помощью лазурного машинного обучения

Перенос моделей машинного обучения из локальной ноутбуки в надежную производственную среду требует структурированного подхода к автоматизации и мониторингу. Этот текстовый курс направляет вас через конструировать надежные решения операций машинного обучения (MLOps) используя лазурное машинное обучение. Вы перейдете от ручной подготовки моделей к архитектуре полностью автоматизированных, воспроизводимых конвейеров машинного обучения. Что вы узнаете: 1. Понимание основных концепций MLOps, этапов жизненного цикла и архитектурных компонентов. 2. Настройте рабочие пространства, активы данных и среды с помощью Azure Machine Learning Python SDK v2. 3. Создание автоматизированных обучающих потоков для обеспечения воспроизводимой разработки моделей. 4. Регистрация, пакетирование и развертывание моделей на производственных конечных точках для вывода в режиме реального времени. 5. Внедрение моделей непрерывной интеграции и непрерывного предоставления услуг (НИ/НПО) для рабочих процессов УП. 6. Мониторинг эффективности моделей и внедрение практики наблюдаемости в производственную деятельность. Курс начинается с основных терминов и основных понятий MLOps, а затем вы пройдете практические настройки кода для обучения, развертывания и мониторинга. Вы узнаете через подробные письменные объяснения, пошаговые архитектурные разбивки и практические фрагменты кода Python. Этот курс предназначен для начинающих инженеров ML, ученых данных и облачных архитекторов, которые впервые используют MLOps. Не требуется предыдущий опыт DevOps или облачного администрирования, хотя полезно базовое знание Python. Начните читать сегодня, чтобы спроектировать и масштабировать свое первое решение MLOps производственного уровня.