Machine Learning-modellen operationeel maken (MLOps)
In een oogopslag
-
Niveau
-
Vaardigheid
-
Product
-
Rol
-
Onderwerp
Volg een end-to-end MLOps-werkstroom in twee fasen. Ontwerp eerst een trainingsoplossing, experimenteer met modellen, volg training met MLflow en stem hyperparameters af. Bouw vervolgens pijplijnen, plan een MLOps-oplossing, automatiseer modeltraining met GitHub Actions en implementeer en bewaak een model.
Vereisten
- Programmeerervaring met Python of R
- Ervaring met het ontwikkelen en trainen van machine learning-modellen
- Bekendheid met basisconcepten van Azure Machine Learning
Prestatiecode
Wilt u een prestatiecode aanvragen?
Modules in dit leertraject
Kies deze module als u een machine learning-trainingsoplossing wilt ontwerpen en Azure Machine Learning services en compute wilt selecteren.
Kies deze module als u modellen wilt vergelijken met behulp van geautomatiseerde machine learning, MLflow en het verantwoordelijke AI-dashboard.
Kies deze module als u notebooks wilt converteren naar trainingsscripts, opdrachttaken wilt uitvoeren en modellen wilt bijhouden met MLflow.
Kies deze module als u modeltraining wilt optimaliseren door hyperparameters af te stemmen met sweep-taken in Azure Machine Learning.
Kies deze module als u machine learning-werkstromen met meerdere taken wilt automatiseren met herbruikbare onderdelen en Azure Machine Learning pijplijnen.
Kies deze module als u een MLOps-architectuur wilt ontwerpen voor het bewaken en opnieuw trainen van productiemodellen.
Kies deze module als u modeltraining wilt automatiseren en valideren met GitHub Actions en Azure Machine Learning pijplijnen.
Kies deze module als u modellen wilt registreren, implementeren, bewaken en terugdraaien met behulp van GitHub Actions en beveiligde omgevingen.