Operacjonalizacja modeli uczenia maszynowego (MLOps)

  • Ścieżka szkoleniowa
  • 7 Moduły

W skrócie

Przejdź przez kompleksowy przepływ pracy MLOps w dwóch etapach. Najpierw zaprojektuj rozwiązanie szkoleniowe, eksperymentuj z modelami, śledź trenowanie za pomocą biblioteki MLflow i dostrajanie hiperparametrów. Następnie utwórz potoki, zaplanuj rozwiązanie MLOps, zautomatyzuj trenowanie modelu za pomocą GitHub Actions oraz wdróż i monitoruj model.

Wymagania wstępne

  • Doświadczenie w programowaniu w Pythonie lub R
  • Doświadczenie w tworzeniu i trenowanie modeli uczenia maszynowego
  • Znajomość podstawowych pojęć związanych z usługą Azure Machine Learning

Moduły w ramach tej ścieżki szkoleniowej

Wprowadzenie do uczenia maszynowego na platformie Azure

Wybierz ten moduł, jeśli chcesz zaprojektować rozwiązanie do trenowania uczenia maszynowego i wybrać Azure Machine Learning usługi i obliczenia.

Eksperymentowanie z usługą Azure Machine Learning

Wybierz ten moduł, jeśli chcesz porównać modele przy użyciu zautomatyzowanego uczenia maszynowego, platformy MLflow i pulpitu nawigacyjnego odpowiedzialnej sztucznej inteligencji.

Uruchamianie skryptów szkoleniowych i śledzenie modeli za pomocą biblioteki MLflow w usłudze Azure Machine Learning

Wybierz ten moduł, jeśli chcesz przekonwertować notesy na skrypty szkoleniowe, uruchomić zadania poleceń i śledzić modele za pomocą biblioteki MLflow.

Wykonywanie dostrajania hiperparametrów za pomocą usługi Azure Machine Learning

Wybierz ten moduł, jeśli chcesz zoptymalizować trenowanie modelu przez dostrajanie hiperparametrów za pomocą zadań zamiatania w Azure Machine Learning.

Uruchamianie potoków w usłudze Azure Machine Learning

Wybierz ten moduł, jeśli chcesz zautomatyzować wieloetapowe przepływy pracy uczenia maszynowego przy użyciu składników wielokrotnego użytku i potoków Azure Machine Learning.

Automatyzowanie trenowania modelu przy użyciu GitHub Actions

Wybierz ten moduł, jeśli chcesz zautomatyzować i zweryfikować trenowanie modelu przy użyciu potoków GitHub Actions i Azure Machine Learning.

Wdrażanie i monitorowanie modelu w Azure Machine Learning

Wybierz ten moduł, jeśli chcesz zarejestrować, wdrożyć, monitorować i wycofać modele przy użyciu GitHub Actions i środowisk chronionych.

Rozpocznij