MLOps – Deploying ML solutions

Cursul de MLOps oferă o introducere cuprinzătoare în procesul de implementare și gestionare a soluțiilor de învățare automată în medii de producție. Acesta acoperă etapele-cheie și cele mai bune practici în dezvoltarea, antrenarea, evaluarea și mentenanța modelelor ML, cu accent pe utilizarea unor instrumente specifice, cum ar fi MLflow, Apache Airflow și Kubeflow.

Cui i se adresează?

• Data scientists și specialiști în analiza datelor care doresc să implementeze și să mențină modele ML în medii de producție.
• Ingineri și dezvoltatori software interesați de construirea și gestionarea infrastructurii pentru soluții de învățare automată.
• Echipe de cercetare și dezvoltare în IA și învățare automată care lucrează la proiecte complexe și scalabile.
• Profesioniști în domeniul inteligenței artificiale care vor să aprofundeze cunoștințele despre cele mai bune practici și instrumente pentru implementarea și gestionarea modelelor ML.
• Manageri de produs și lideri de echipă care doresc să înțeleagă procesele și provocările asociate cu implementarea soluțiilor de învățare automată în cadrul organizațiilor lor.

Ce vei învăța?

• Conceptul MLOps și rolul său în domeniul inteligenței artificiale și învățării automate.
• Etapele ciclului de viață al dezvoltării modelelor de învățare automată, de la gestionarea datelor și antrenarea modelelor până la validare și implementare.
• Procesul de gestionare a datelor, inclusiv colectarea, curățarea și versionarea acestora, precum și împărțirea în seturi de antrenament, validare și testare.
• Tehnicile utilizate pentru antrenarea modelelor, inclusiv selecția algoritmilor potriviți, validarea încrucișată, optimizarea hiperparametrilor și asigurarea reproducibilității experimentelor.
• Utilizarea platformei MLflow pentru urmărirea experimentelor, gestionarea modelelor și integrarea cu alte servicii.
• Orchestarea fluxurilor de lucru cu Apache Airflow pentru automatizarea proceselor de antrenare și evaluare a modelelor de învățare automată.
• Diferitele modalități de implementare a modelelor de învățare automată, inclusiv utilizarea serviciilor cloud și soluțiilor on-premise, precum și conceptele de containere și microservicii.
• Utilizarea platformei Kubeflow pentru dezvoltarea, implementarea și gestionarea modelelor de învățare automată în mediul Kubernetes.
• Monitorizarea performanței modelelor de învățare automată, identificarea driftului de date și abordările pentru actualizarea modelelor.
• Importanța aspectelor etice și de securitate în dezvoltarea și utilizarea modelelor de învățare automată, cum ar fi confidențialitatea datelor, biasul algoritmilor și responsabilitatea în luarea deciziilor.

Cerințe preliminare:

Competențe de bază în programare Python.
Înțelegerea fundamentală a tehnicilor de învățare automată.
Experiență cu bibliotecile ML în Python (scikit-learn, TensorFlow, PyTorch).
Noțiuni de bază despre sistemele cloud și containere (Docker, Kubernetes).
Familiaritate cu conceptele de DevOps și CI/CD.

Agenda cursului:

Materialele de curs sunt în limba Engleză. Predarea se face în limba Română.

• Introducere în MLOps: Istoric, aplicații și importanța în domeniul IA și învățării automate.
• Ciclul de viață al dezvoltării modelelor ML: De la date și antrenare până la validare și implementare.
• Gestionarea datelor: Colectarea, curățarea și versionarea datelor; împărțirea în seturi de antrenament, validare și testare.
• Antrenarea modelelor: Selecția algoritmilor, validarea încrucișată, optimizarea hiperparametrilor și reproductibilitatea experimentelor.
• Introducere în MLflow: Urmărirea experimentelor, gestionarea modelelor și integrarea cu alte servicii.
• Orchestarea fluxurilor de lucru cu Apache Airflow: Automatizarea proceselor de antrenare și evaluare a modelelor ML.
• Implementarea modelelor ML: Modalități de implementare, servicii cloud și soluții on-premise; containere și microservicii.
• Kubeflow: Platforma pentru dezvoltarea, implementarea și gestionarea modelelor ML în Kubernetes.
• Monitorizarea și mentenanța modelelor: Monitorizarea performanței, driftul de date și actualizarea modelelor.
• Aspecte etice și de securitate: Confidențialitatea datelor, biasul algoritmilor și responsabilitatea în dezvoltarea și utilizarea modelelor ML.

Recomandăm să continui cu:

Nu sunt recomandări în acest moment.

Programe de certificare

În urma acestui curs, veți primi un certificat de absolvire.