將機器學習模型（MLOps）操作化

  • 學習途徑
  • 7 模組

速覽

遵循兩個階段的端到端 MLOps 工作流程。 首先，設計訓練解決方案，實驗模型，使用 MLflow 追蹤訓練，並調整超參數。 接著，建立管線、規劃 MLOps 解決方案、使用 GitHub Actions 自動化模型訓練，並部署與監控模型。

必要條件

  • 使用 Python 或 R 進行程式設計
  • 開發和定型機器學習模型的經驗
  • 熟悉 Azure Machine Learning 基本概念

此學習路徑中的課程模組

在 Azure 中開始使用機器學習

如果你想設計機器學習訓練解決方案，請選擇此模組，並選擇 Azure Machine Learning 服務並進行運算。

嘗試使用 Azure Machine Learning

若想透過自動化機器學習、MLflow及負責任的人工智慧儀表板來比較模型，請選擇此模組。

在 Azure Machine Learning 中執行訓練腳本並使用 MLflow 追蹤模型

如果你想將筆記本轉換成訓練腳本、執行指令工作，並用 MLflow 追蹤模型，請選擇這個模組。

使用 Azure Machine Learning 執行超參數微調

如果你想透過在 Azure Machine Learning 中用掃描工作調整超參數來優化模型訓練，請選擇此模組。

在 Azure Machine Learning 中執行管線

如果你想自動化多步驟機器學習工作流程，並具備可重用元件與 Azure Machine Learning 管線，請選擇此模組。

使用 GitHub Actions 自動化模型訓練

如果你想自動化並驗證使用 GitHub Actions 和 Azure Machine Learning 管線進行模型訓練，請選擇此模組。

在 Azure Machine Learning 中部署並監控模型

如果你想透過 GitHub Actions 和受保護環境註冊、部署、監控及回滾模型，請選擇此模組。

開始