Rendere operativi i modelli di Machine Learning (MLOps)
Riepilogo
-
Level
-
Competenza
-
Prodotto
-
Ruolo
Seguire un workflow MLOps end-to-end attraverso due fasi. Prima di tutto, progettare una soluzione di training, sperimentare modelli, tenere traccia del training con MLflow e ottimizzare gli iperparametri. Quindi, compilare pipeline, pianificare una soluzione MLOps, automatizzare il training dei modelli con GitHub Actions e distribuire e monitorare un modello.
Prerequisiti
- Esperienza di programmazione con Python o R
- Esperienza nello sviluppo e nel training di modelli di Machine Learning
- Familiarità con i concetti di base di Azure Machine Learning
Codice obiettivo
Si vuole richiedere un codice obiettivo?
Moduli in questo percorso di apprendimento
Scegli questo modulo se vuoi progettare una soluzione di addestramento di machine learning e selezionare i servizi e le risorse di calcolo di Azure Machine Learning.
Scegli questo modulo se vuoi confrontare i modelli usando il machine learning automatizzato, MLflow e il dashboard di IA responsabile.
Scegliere questo modulo se si vogliono convertire notebook in script di training, eseguire processi di comando e tenere traccia dei modelli con MLflow.
Scegli questo modulo se vuoi ottimizzare l'addestramento del modello regolando gli iperparametri con i processi di sweep in Azure Machine Learning.
Scegliere questo modulo se si vogliono automatizzare flussi di lavoro di Machine Learning a più passaggi con componenti riutilizzabili e pipeline Azure Machine Learning.
Scegliere questo modulo se si vuole automatizzare e convalidare il training del modello con pipeline GitHub Actions e Azure Machine Learning.
Scegliere questo modulo per registrare, distribuire, monitorare ed eseguire il rollback dei modelli usando GitHub Actions e ambienti protetti.