機械学習モデルの運用化 (MLOps)

  • ラーニング パス
  • 8 モジュール

概略

2 つの段階にわたるエンドツーエンドの MLOps ワークフローに従います。 まず、トレーニング ソリューションを設計し、モデルを試し、MLflow を使用してトレーニングを追跡し、ハイパーパラメーターを調整します。 次に、パイプラインの構築、MLOps ソリューションの計画、GitHub Actionsを使用したモデル トレーニングの自動化、モデルのデプロイと監視を行います。

前提条件

  • Python または R でのプログラミング経験
  • 機械学習モデルの開発とトレーニングの経験
  • 基本的な Azure Machine Learning の概念に関する知識

このラーニング パス内のモジュール

Azureで機械学習を始めましょう

機械学習のトレーニング ソリューションを設計し、Azure Machine Learning のサービスとコンピューティングを選択したい場合は、このモジュールを選択します。

Azure Machine Learning を試す

自動機械学習、MLflow、および責任ある AI ダッシュボードを使用してモデルを比較する場合は、このモジュールを選択します。

Azure Machine Learning で MLflow を使用してトレーニング スクリプトを実行し、モデルを追跡する

ノートブックをトレーニング スクリプトに変換し、コマンド ジョブを実行し、MLflow を使用してモデルを追跡する場合は、このモジュールを選択します。

Azure Machine Learning を使用してハイパーパラメーターのチューニングを実行する

Azure Machine Learningのスイープ ジョブを使用してハイパーパラメーターを調整してモデルトレーニングを最適化する場合は、このモジュールを選択します。

Azure Machine Learning でパイプラインを実行する

再利用可能なコンポーネントとAzure Machine Learningパイプラインを使用して複数のステップの機械学習ワークフローを自動化する場合は、このモジュールを選択します。

機械学習運用ソリューションの設計 (MLOps)

運用モデルを監視および再トレーニングするための MLOps アーキテクチャを設計する場合は、このモジュールを選択します。

GitHub Actions を使用してモデル トレーニングを自動化する

GitHub ActionsおよびAzure Machine Learning パイプラインを使用してモデル トレーニングを自動化および検証する場合は、このモジュールを選択します。

Azure Machine Learning でモデルをデプロイおよび監視する

GitHub Actionsおよび保護された環境を使用してモデルを登録、デプロイ、監視、ロールバックする場合は、このモジュールを選択します。

開始