Az MLOps tanfolyam átfogó bevezetést nyújt a gépi tanulási megoldások termelési környezetekben történő megvalósításának és kezelésének folyamatába. Lefedi az ML-modellek fejlesztésének, képzésének, értékelésének és karbantartásának legfontosabb lépéseit és bevált gyakorlatait, különös tekintettel az olyan speciális eszközök használatára, mint az MLflow, az Apache Airflow és a Kubeflow.
• Az MLOps fogalma és szerepe a mesterséges intelligencia és a gépi tanulás területén.
• A gépi tanulási modellfejlesztés életciklus-szakaszai az adatkezeléstől és a modellképzéstől a validálásig és üzembe helyezésig.
• Az adatok kezelésének folyamata, beleértve azok gyűjtését, tisztítását és verziószámítását, valamint képzési, érvényesítési és tesztkészletekre való felosztását.
• A modellek betanítására használt technikák, beleértve a megfelelő algoritmusok kiválasztását, keresztellenőrzést, a hiperparaméterek optimalizálását és a kísérletek reprodukálhatóságának biztosítását.
• Az MLflow platform használata kísérletek követésére, modellkezelésre és más szolgáltatásokkal való integrációra.
• Munkafolyamatok összehangolása Apache Airflow segítségével a képzési folyamatok automatizálása és a gépi tanulási modellek értékelése érdekében.
• A gépi tanulási modellek megvalósításának különböző módjai, beleértve a szolgáltatások használatát cloud és on-premise megoldások, valamint a konténerek és mikroszolgáltatások koncepciói.
• A Kubeflow platform használata gépi tanulási modellek fejlesztésére, üzembe helyezésére és kezelésére a Kubernetes környezetben.
• A gépi tanulási modellek teljesítményének nyomon követése, az adatsodródás azonosítása és a modellek frissítésének megközelítései.
• Az etikai és biztonsági kérdések fontossága a gépi tanulási modellek fejlesztésében és használatában, mint például az adatvédelem, az algoritmusok torzítása és a döntéshozatal elszámoltathatósága.
- Alapvető Python programozási ismeretek.
- A gépi tanulási technikák alapvető ismerete.
- Tapasztalat ML könyvtárakkal Pythonban (scikit-learn, TensorFlow, PyTorch).
- A rendszerek alapvető ismerete cloud és konténerek (Docker, Kubernetes).
- A fogalmak ismerete DevOps és CI/CD.
• Bevezetés az MLOps-ba: Az AI és a gépi tanulás története, alkalmazásai és jelentősége.
• ML modell fejlesztési életciklus: Az adatoktól és a betanítástól a validálásig és telepítésig.
• Adatkezelés: Adatgyűjtés, tisztítás és verziószámítás; képzési, érvényesítési és tesztkészletekre való felosztás.
• Modell betanítás: Algoritmus kiválasztása, keresztellenőrzés, hiperparaméter optimalizálás és kísérletek reprodukálhatósága.
• Bevezetés az MLflow-ba: Kísérletek nyomon követése, modellek kezelése és integráció más szolgáltatásokkal.
• Munkafolyamatok összehangolása Apache Airflow segítségével: Az ML modell képzési és értékelési folyamatainak automatizálása.
• ML modellek megvalósítása: A megvalósítás módjai, szolgáltatások cloud és helyszíni megoldások; konténerek és mikroszolgáltatások.
• Kubeflow: Platform az ML modellek fejlesztéséhez, üzembe helyezéséhez és kezeléséhez a Kubernetesben.
• Modellfigyelés és karbantartás: Teljesítményfigyelés, adatsodródás és modellfrissítés.
• Etikai és biztonsági kérdések: Adatok bizalmas kezelése, algoritmus-elfogultság és felelősség az ML modellek fejlesztésében és használatában.
Jelenleg nincsenek ajánlások.
A tanfolyam elvégzése után bizonyítványt kapsz a tanfolyam elvégzéséről.
