Скачать Специализация Machine Learning Engineering for Production (MLOps) - coursera (2021)

[bart]

Специализация Machine Learning Engineering for Production (MLOps)
Machine Learning Engineering for Production (MLOps)
coursera

Понимание концепций машинного обучения и глубокого обучения очень важно, но если вы хотите построить эффективную карьеру в области искусственного интеллекта, вам также понадобятся возможности производственного инжиниринга.

Для эффективного развертывания моделей машинного обучения требуются компетенции, которые чаще встречаются в технических областях, таких как разработка программного обеспечения и DevOps. Инжиниринг машинного обучения для производства сочетает в себе основополагающие концепции машинного обучения с функциональным опытом разработки современного программного обеспечения и инженерными ролями.

Специализация «Машинное обучение для производства» (MLOps) охватывает способы концептуализации, построения и обслуживания интегрированных систем, которые непрерывно работают в производственной среде. В отличие от стандартного моделирования машинного обучения, производственные системы должны обрабатывать постоянно меняющиеся данные. Более того, производственная система должна работать без остановок с минимальными затратами при максимальной производительности. В этой специализации вы узнаете, как использовать хорошо зарекомендовавшие себя инструменты и методологии для эффективного и результативного выполнения всего этого.

В этой специализации вы познакомитесь с возможностями, проблемами и последствиями инженерии машинного обучения в производственной среде. К концу вы будете готовы использовать свои новые готовые навыки для участия в разработке передовых технологий искусственного интеллекта для решения реальных проблем.

ЧТО ВЫ УЗНАЕТЕ

• Комплексное проектирование производственной системы машинного обучения: объем проекта, потребности в данных, стратегии моделирования и требования к развертыванию.
• Установите базовый уровень модели, устраните дрейф концепций и создайте прототип, как разрабатывать, развертывать и непрерывно улучшать производственное приложение машинного обучения.
• Создавайте конвейеры данных, собирая, очищая и проверяя наборы данных. Установите жизненный цикл данных с помощью инструментов метаданных происхождения и происхождения.
• Применяйте передовой опыт и прогрессивные методы доставки, чтобы поддерживать и контролировать непрерывно работающую производственную систему.

Проект прикладного обучения
К концу вы будете готовы к

• Комплексное проектирование производственной системы машинного обучения: определение объема проекта, потребности в данных, стратегии моделирования и требования к развертыванию.
• Определите базовую линию модели, устраните дрейф концепций и создайте прототип, как разрабатывать, развертывать и непрерывно улучшать ML-приложение производственного размера.
• Создавайте конвейеры данных путем сбора, очистки и проверки наборов данных
• реализовывать проектирование, преобразование и выбор функций с помощью TensorFlow Extended
• Установите жизненный цикл данных, используя инструменты метаданных происхождения и происхождения данных, и отслеживайте эволюцию данных с помощью корпоративных схем данных
• Применяйте методы для управления ресурсами моделирования и наилучшего обслуживания автономных / онлайн-запросов на вывод.
• Используйте аналитику для решения проблем справедливости модели, объяснимости и устранения узких мест
• Предоставление конвейеров развертывания для обслуживания моделей, требующих различных инфраструктур.
• Применяйте передовой опыт и прогрессивные методы доставки для поддержания непрерывно работающей производственной системы

Материал на английском языке




Продажник:

Для просмотра вы должны войти или зарегистрироваться.

Скачать: