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

4.8
звезд
Оценки: 1,670

Andrew Ng и еще 1 преподаватель

Лучшие преподаватели

54 790 уже зарегистрированы

от партнера

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

Об этом курсе

Недавно просмотрено: 190 349

In the first course of Machine Learning Engineering for Production Specialization, you will identify the various components and design an ML production system end-to-end: project scoping, data needs, modeling strategies, and deployment constraints and requirements; and learn how to establish a model baseline, address concept drift, and prototype the process for developing, deploying, and continuously improving a productionized ML application.
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: Overview of the ML Lifecycle and Deployment
Week 2: Selecting and Training a Model
Week 3: Data Definition and Baseline

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 1 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. 12 часов на выполнение

Английский

Субтитры: Английский, Французский

Чему вы научитесь

Identify the key components of the ML lifecycle and pipeline and compare the ML modeling iterative cycle with the ML product deployment cycle.
Understand how performance on a small set of disproportionately important examples may be more crucial than performance on the majority of examples.
Solve problems for structured, unstructured, small, and big data. Understand why label consistency is essential and how you can improve it.

Приобретаемые навыки

Human-level Performance (HLP)
Concept Drift
Model baseline
Project Scoping and Design
ML Deployment Challenges

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 1 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. 12 часов на выполнение

Английский

Субтитры: Английский, Французский

Преподаватели

Оценка преподавателя

4,96/5 (оценок: 647)

Andrew Ng
Лучшие преподаватели

Instructor

Founder, DeepLearning.AI & Co-founder, Coursera

5 975 237 учащихся

38 курсов

Cristian Bartolomé Arámburu
Лучшие преподаватели

Curriculum Developer

54 868 учащихся

1 курс

от партнера

deeplearning.ai

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

Программа курса: что вы изучите

Оценка контента97%(4,425 оценки)

Неделя

Неделя 1

5 ч. на завершение

Week 1: Overview of the ML Lifecycle and Deployment

This week covers a quick introduction to machine learning production systems focusing on their requirements and challenges. Next, the week focuses on deploying production systems and what is needed to do so robustly while facing constantly changing data.

5 ч. на завершение

9 видео ((всего 81 мин.)), 2 материалов для самостоятельного изучения, 4 тестов

9 видео

Specialization overview6мин

Welcome9мин

Steps of an ML Project3мин

Case study: speech recognition12мин

Course outline2мин

Key challenges14мин

Deployment patterns11мин

Monitoring10мин

Pipeline monitoring9мин

2 материала для самостоятельного изучения

Week 1 Optional References3мин

Ungraded Lab - Deploying a Deep Learning model (local setup)1ч 30мин

2 практических упражнения

The Machine Learning Project Lifecycle10мин

Deployment10мин

Неделя

Неделя 2

3 ч. на завершение

Week 2: Select and Train a Model

This week is about model strategies and key challenges in model development. It covers error analysis and strategies to work with different data types. It also addresses how to cope with class imbalance and highly skewed data sets.

3 ч. на завершение

16 видео ((всего 107 мин.)), 1 материал для самостоятельного изучения, 3 тестов

16 видео

Modeling overview2мин

Key challenges5мин

Why low average error isn't good enough10мин

Establish a baseline7мин

Tips for getting started6мин

Error analysis example8мин

Prioritizing what to work on5мин

Skewed datasets12мин

Performance auditing7мин

Data-centric AI development2мин

A useful picture of data augmentation5мин

Data augmentation8мин

Can adding data hurt?6мин

Adding features8мин

Experiment tracking4мин

From big data to good data3мин

1 материал для самостоятельного изучения

Week 2 Optional References3мин

2 практических упражнения

Selecting and Training a Model10мин

Modeling challenges10мин

Неделя

Неделя 3

4 ч. на завершение

Week 3: Data Definition and Baseline

This week is all about working with different data types and ensuring label consistency for classification problems. This leads to establishing a performance baseline for your model and discussing strategies to improve it given your time and resources constraints.

4 ч. на завершение

16 видео ((всего 128 мин.)), 3 материалов для самостоятельного изучения, 3 тестов

16 видео

Why is data definition hard?4мин

More label ambiguity examples9мин

Major types of data problems11мин

Small data and label consistency8мин

Improving label consistency9мин

Human level performance (HLP)10мин

Raising HLP9мин

Obtaining data12мин

Data pipeline5мин

Meta-data, data provenance and lineage9мин

Balanced train/dev/test splits4мин

What is scoping?2мин

Scoping process6мин

Diligence on feasibility and value14мин

Diligence on value7мин

Milestones and resourcing2мин

3 материала для самостоятельного изучения

Week 3 Optional References3мин

References5мин

Acknowledgments3мин

2 практических упражнения

Data Stage of the ML Production Lifecycle20мин

Scoping (optional)10мин

Рецензии

4.8

Рецензии: 293

5 stars
84,92 %
4 stars
12,52 %
3 stars
1,84 %
2 stars
0,48 %
1 star
0,21 %

Лучшие отзывы о курсе INTRODUCTION TO MACHINE LEARNING IN PRODUCTION

от партнера IU5 дек. 2021 г.

I have been involved with deep learning for more than 5 years (in academia), nevertheless learned a lot already. I am very curious about the next courses. Thanks for putting together this course!

от партнера SP18 февр. 2022 г.

Concise and straight to the point! It is a good and broad introduction to the topic. I'm confident it has prepared me well for the next course of this specialization.

от партнера TF14 авг. 2021 г.

Excellent course, as always. Very well explain for both Data Sicientist, Software engineer and Manager (with some basics undertsanding of ML). One of these courses that Data Sientist should follow.

от партнера DG30 авг. 2021 г.

Excellent course, you learn about the fundamentals of MLOps. A recommended course if you want to understand the life cycle of a Machine Learning algorithm in production.

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. В некоторых программах обучения вы можете подать заявку на получение финансовой помощи или стипендии, если не можете оплатить регистрационный взнос. Если для выбранной вами программы предлагается такая возможность, вы увидите ссылку для подачи заявки на странице описания.
Is financial aid available?
Yes. In select learning programs, you can apply for financial aid or a scholarship if you can’t afford the enrollment fee. If fin aid or scholarship is available for your learning program selection, you’ll find a link to apply on the description page.

Остались вопросы? Посетите Центр поддержки учащихся.

Introduction to Machine Learning in Production