MLOps Foundations: Pipeline Otomatis dengan Kubernetes dan Alat Awan

Mengakomodasi machine learning dari sebuah notebook ke lingkungan produksi memerlukan lebih dari sekedar kode; hal ini memerlukan kerangka operasional yang kuat. Anda akan belajar bagaimana mengubah model statis menjadi layanan otomatis yang dapat disesuaikan dan dapat menangani permintaan data dunia nyata. Pada akhir kursus ini, Anda akan dapat merancang dan mempertahankan end-to-end MLOps workflow menggunakan alat standar industri. Anda akan beralih dari memahami versi dasar untuk mengimplementasikan orkestrasi kontainer kompleks dan strategi integrasi terus-menerus. Apa yang akan kau pelajari: - Mengerti prinsip inti dari MLOps dan siklus hidup pembelajaran mesin tingkat produksi. - Mengurus data dan kode versi menggunakan DVC dan Git untuk memastikan reproduksi proyek. - Otomatis model pelatihan dan deployment workflow dengan CI / CD alat seperti Jenkins dan GitHub Actions. - Kontainer aplikasi machine learning dengan Docker dan mengorganisir mereka menggunakan Kubernetes. - Jejak eksperimen dan mengelola versi model dengan MLFlow dan register terpusat. - Memantau kinerja model dan mendeteksi data drift menggunakan Prometheus dan Grafana. - Terapkan pola MLOps modern termasuk observabilitas LLM dasar dan manajemen data vektor. Kursus ini dimulai dengan definisi dasar dan terminologi kunci sebelum memandu Anda melalui penerapan praktis dari otomatisasi, kontenerisasi, dan pemantauan. Anda akan bekerja melalui penjelasan tertulis dan latihan berbasis kode yang mensimulasikan skenario produksi dunia nyata. Kursus ini dirancang untuk pemula dalam ilmu data, rekayasa perangkat lunak, atau DevOps yang ingin belajar sisi operasional machine learning. Tidak diperlukan pengalaman sebelumnya dengan alat MLOps. Mulai membangun infrastruktur machine learning yang dapat disesuaikan dan dapat diandalkan sekarang.