Operationalisieren von Machine Learning-Modellen (MLOps)
Auf einen Blick
-
Skill
-
Produkt
Folgen Sie einem End-to-End-MLOps-Workflow in zwei Phasen. Entwerfen Sie zunächst eine Schulungslösung, experimentieren Sie mit Modellen, verfolgen Sie Schulungen mit MLflow und optimieren Sie Hyperparameter. Erstellen Sie dann Pipelines, planen Sie eine MLOps-Lösung, automatisieren Sie Modellschulungen mit GitHub Actions, und stellen Sie ein Modell bereit und überwachen Sie es.
Voraussetzungen
- Programmiererfahrung mit Python oder R
- Erfahrung mit dem Entwickeln und Trainieren von Machine Learning-Modellen
- Vertrautheit mit grundlegenden Azure Machine Learning-Konzepten
Erfolgscode
Möchten Sie einen Erfolgscode beantragen?
Module in diesem Lernpfad
Wählen Sie dieses Modul aus, wenn Sie eine Lernlösung für maschinelles Lernen entwerfen möchten, und wählen Sie Azure Machine Learning Dienste und Compute aus.
Wählen Sie dieses Modul aus, wenn Sie Modelle mit automatisiertem Maschinellem Lernen, MLflow und dem Verantwortlichen KI-Dashboard vergleichen möchten.
Wählen Sie dieses Modul aus, wenn Sie Notizbücher in Schulungsskripts konvertieren, Befehlsaufträge ausführen und Modelle mit MLflow nachverfolgen möchten.
Wählen Sie dieses Modul aus, wenn Sie das Modelltraining optimieren möchten, indem Sie Hyperparameter mit Sweepaufträgen in Azure Machine Learning abstimmen.
Wählen Sie dieses Modul aus, wenn Sie mehrstufige Machine Learning-Workflows mit wiederverwendbaren Komponenten und Azure Machine Learning Pipelines automatisieren möchten.
Wählen Sie dieses Modul aus, wenn Sie eine MLOps-Architektur für die Überwachung und Umschulung von Produktionsmodellen entwerfen möchten.
Wählen Sie dieses Modul aus, wenn Sie Modellschulungen mit GitHub Actions und Azure Machine Learning Pipelines automatisieren und überprüfen möchten.
Wählen Sie dieses Modul aus, wenn Sie Modelle mithilfe von GitHub Actions und geschützten Umgebungen registrieren, bereitstellen, überwachen und zurücksetzen möchten.