Этот курс входит в специализацию ''Специализация Machine Learning Engineering for Production (MLOps)'

4.7
звезд
Оценки: 99

Laurence Moroney и еще 1 преподаватель

7 901 уже зарегистрированы

от партнера

Специализация Machine Learning Engineering for Production (MLOps)deeplearning.ai

Об этом курсе

Недавно просмотрено: 97 192

In the fourth course of Machine Learning Engineering for Production Specialization, you will learn how to deploy ML models and make them available to end-users. You will build scalable and reliable hardware infrastructure to deliver inference requests both in real-time and batch depending on the use case. You will also implement workflow automation and progressive delivery that complies with current MLOps practices to keep your production system running. Additionally,  you will continuously monitor your system to detect model decay, remediate performance drops, and avoid system failures so it can continuously operate at all times.  
Understanding machine learning and deep learning concepts is essential, but if you’re looking to build an effective AI career, you need production engineering capabilities as well. Machine learning engineering for production combines the foundational concepts of machine learning with the functional expertise of modern software development and engineering roles to help you develop production-ready skills.

Week 1: Model Serving Introduction
Week 2: Model Serving Patterns and Infrastructures
Week 3: Model Management and Delivery
Week 4: Model Monitoring and Logging

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Курс 4 из 4 в программе

Специализация Machine Learning Engineering for Production (MLOps)

Продвинутый уровень

• Some knowledge of AI / deep learning

• Intermediate Python skills

• Experience with any deep learning framework (PyTorch, Keras, or TensorFlow)

Прибл. 33 часа на выполнение

Английский

Субтитры: Английский

Приобретаемые навыки

TensorFlow Serving
Model Monitoring
Model Registries
Machine Learning Operations (MLOps)
Generate Data Protection Regulation (GDPR)

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Курс 4 из 4 в программе

Специализация Machine Learning Engineering for Production (MLOps)

Продвинутый уровень

• Some knowledge of AI / deep learning

• Intermediate Python skills

• Experience with any deep learning framework (PyTorch, Keras, or TensorFlow)

Прибл. 33 часа на выполнение

Английский

Субтитры: Английский

Преподаватели

Оценка преподавателя

4,55/5 (оценок: 29)

Laurence Moroney

Instructor

Lead AI Advocate, Google

344 721 учащийся

15 курсов

Robert Crowe

Instructor

TensorFlow Developer Engineer, Google

18 619 учащихся

3 курса

от партнера

deeplearning.ai

DeepLearning.AI is an education technology company that develops a global community of AI talent.

Программа курса: что вы изучите

Неделя

Неделя 1

5 ч. на завершение

Week 1: Model Serving: Introduction

Learn how to make your ML model available to end-users and optimize the inference process

5 ч. на завершение

7 видео ((всего 34 мин.)), 5 материалов для самостоятельного изучения, 5 тестов

7 видео

Course Overview4мин

Introduction to Model Serving6мин

Introduction to Model Serving Infrastructure5мин

Deployment Options3мин

Improving Prediction Latency and Reducing Resource Costs5мин

Creating and deploying models to AI Prediction Platform2мин

Installing TensorFlow Serving6мин

5 материалов для самостоятельного изучения

Ungraded Labs - Best Practices5мин

Ungraded Lab - Introduction to Docker20мин

Optional: Build, train, and deploy an XGBoost model on Cloud AI Platform45мин

Ungraded Lab - Tensorflow Serving with Docker20мин

Ungraded Lab - Serve a model with TensorFlow Serving30мин

3 практических упражнения

Introduction to Model Serving30мин

Introduction to Model Serving Infrastructure30мин

TensorFlow Serving30мин

Неделя

Неделя 2

10 ч. на завершение

Week 2: Model Serving: Patterns and Infrastructure

Learn how to serve models and deliver batch and real-time inference results by building scalable and reliable infrastructure

10 ч. на завершение

8 видео ((всего 44 мин.)), 8 материалов для самостоятельного изучения, 8 тестов

8 видео

Model Serving Architecture4мин

Model Servers: TensorFlow Serving3мин

Model Servers: Other Providers5мин

Scaling Infrastructure10мин

Online Inference6мин

Data Preprocessing4мин

Batch Inference Scenarios5мин

Batch Processing with ETL3мин

8 материалов для самостоятельного изучения

Documentation on model servers10мин

Ungraded Lab - Deploy a ML model with FastAPI and Docker1ч

Learn about scaling with boy bands10мин

Explore Kubernetes and KubeFlow10мин

Ungraded Lab: Intro to Kubernetes1ч 10мин

Ungraded Lab - Latency testing with Docker Compose and Locust45мин

Data preprocessing10мин

Ungraded Lab (Optional): Machine Learning with Apache Beam and TensorFlow45мин

6 практических упражнений

Model serving architecture30мин

Scaling Infrastructure30мин

Online Inference30мин

Data Preprocessing30мин

Batch inference scenarios30мин

Batch Processing with ETL30мин

Неделя

Неделя 3

12 ч. на завершение

Week 3: Model Management and Delivery

Learn how to implement ML processes, pipelines, and workflow automation that adhere to modern MLOps practices, which will allow you to manage and audit your projects during their entire lifecycle

12 ч. на завершение

9 видео ((всего 82 мин.)), 10 материалов для самостоятельного изучения, 6 тестов

9 видео

Experiment Tracking8мин

Tools for Experiment Tracking7мин

Introduction to MLOps11мин

MLOps Level 0 5мин

MLOps Levels 1&213мин

Developing Components for an Orchestrated Workflow13мин

Managing Model Versions7мин

Continuous Delivery7мин

Progressive Delivery7мин

10 материалов для самостоятельного изучения

Experiment Tracking10мин

MLOps Resources10мин

Ungraded Lab: Intro to Kubeflow Pipelines2ч

Architecture for MLOps using TFX, Kubeflow Pipelines, and Cloud Build10мин

Ungraded Lab: Developing TFX Custom Components45мин

Ungraded Lab - Model Versioning with TF Serving40мин

ML Model Management10мин

Ungraded Lab - CI/CD pipelines with GitHub Actions1ч

Continuous Delivery10мин

Progressive Delivery10мин

3 практических упражнения

ML Experiments Management and Workflow Automation30мин

MLOps Methodology30мин

Model Management and Deployment Infrastructure30мин

Неделя

Неделя 4

6 ч. на завершение

Week 4: Model Monitoring and Logging

Establish procedures to detect model decay and prevent reduced accuracy in a continuously operating production system

6 ч. на завершение

13 видео ((всего 66 мин.)), 7 материалов для самостоятельного изучения, 5 тестов

13 видео

Why Monitoring Matters6мин

Observability in ML4мин

Monitoring Targets in ML4мин

Logging for ML Monitoring7мин

Tracing for ML Systems3мин

What is Model Decay?3мин

Model Decay Detection2мин

Ways to Mitigate Model Decay5мин

Responsible AI5мин

Legal Requirements for Secure and Private AI9мин

Anonymization and Pseudonymisation 4мин

Right to be Forgotten8мин

Specialization recap and farewell1мин

7 материалов для самостоятельного изучения

Monitoring Machine Learning Models in Production10мин

Addressing Model Decay10мин

Responsible AI10мин

GDPR and CCPA10мин

Course 4 Optional References10мин

Acknowledgements10мин

Join our DeepLearning.AI Community!10мин

3 практических упражнения

Model Monitoring and Logging30мин

Model Decay30мин

GDPR and Privacy30мин

Рецензии

4.7

Рецензии: 15

5 stars
75 %
4 stars
19,44 %
3 stars
1,85 %
2 stars
3,70 %

Лучшие отзывы о курсе DEPLOYING MACHINE LEARNING MODELS IN PRODUCTION

от партнера WH10 сент. 2021 г.

The most practical course for junior MLOPs engineers looking for the best productionization methodologie, and the tools that implement them.

от партнера TH18 дек. 2021 г.

Very insightful, with a good high-level explanation of challenges surrounding model usage and deployments in a production environment.

от партнера BH11 янв. 2022 г.

I was hoping for a final project that I can use in my portfolio because the course content is so much and not easy to digest

от партнера PR5 окт. 2021 г.

Awesome course with very good instructors . However in instructions in graded google cloud labs could be improved.

Посмотреть все отзывы

Специализация Machine Learning Engineering for Production (MLOps): общие сведения

Understanding machine learning and deep learning concepts is essential, but if you’re looking to build an effective AI career, you need production engineering capabilities as well.

Effectively deploying machine learning models requires competencies more commonly found in technical fields such as software engineering and DevOps. Machine learning engineering for production combines the foundational concepts of machine learning with the functional expertise of modern software development and engineering roles. The Machine Learning Engineering for Production (MLOps) Specialization covers how to conceptualize, build, and maintain integrated systems that continuously operate in production. In striking contrast with standard machine learning modeling, production systems need to handle relentless evolving data. Moreover, the production system must run non-stop at the minimum cost while producing the maximum performance. In this Specialization, you will learn how to use well-established tools and methodologies for doing all of this effectively and efficiently. In this Specialization, you will become familiar with the capabilities, challenges, and consequences of machine learning engineering in production. By the end, you will be ready to employ your new production-ready skills to participate in the development of leading-edge AI technology to solve real-world problems.

Machine Learning Engineering for Production (MLOps)

Часто задаваемые вопросы

Когда я получу доступ к лекциям и заданиям?
Доступ к лекциям и заданиям предоставляется в зависимости от типа регистрации. Если вы проходите курс в режиме слушателя, то получите бесплатный доступ к большинству материалов курса. Чтобы открыть оцениваемые задания и возможность получить сертификат, необходимо будет приобрести прохождение с сертификатом. Это можно сделать во время прохождения в режиме слушателя или после него. Если вы не видите варианта 'Режим слушателя'.
Курс может не предлагаться в режиме слушателя. Попробуйте бесплатную пробную версию или подайте заявку на финансовую помощь.
Курс предлагаться в режиме 'Полный курс, без сертификата'. В нем можно просматривать все материалы, выполнять обязательные задания и получить итоговую оценку. Приобрести дополнительно прохождение с сертификатом в таком случае нельзя.
Что я получу, оформив подписку на специализацию?
Записавшись на курс, вы получите доступ ко всем курсам в специализации, а также возможность получить сертификат о его прохождении. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.
Можно ли получить финансовую помощь?
Да, Coursera предоставляет финансовую помощь учащимся, которые не могут оплатить обучение. Чтобы подать заявление, перейдите по ссылке "Финансовая помощь" слева под кнопкой "Зарегистрироваться". Заполните форму заявления. Если его примут, вы получите уведомление. Обратите внимание: этот шаг необходимо выполнить для каждого курса специализации, в том числе для дипломного проекта. Подробнее

Остались вопросы? Посетите Центр поддержки учащихся.

Deploying Machine Learning Models in Production

Об этом курсе

Приобретаемые навыки