Grundlagen von MLOps: CI/CD, APIs und Bereitstellung von Machine Learning

Die Umstellung eines maschinellen Lernmodells von einem lokalen Notebook auf eine zuverlässige Produktionsumgebung erfordert eine Reihe von speziellen Software-Engineering-Verfahren. Dieser textbasierte Kurs führt Sie durch die Kernkonzepte von MLOps und schließt die Lücke zwischen Data Science und operativem DevOps. Sie lernen, wie Sie den Lebenszyklus von Machine-Learning-Modellen automatisieren können, von der Versionskontrolle und kontinuierlichen Integration bis hin zur Bereitstellung skalierbarer APIs und der Einrichtung grundlegender Überwachungssysteme. Was Sie lernen werden: - Verstehen Sie die grundlegenden MLOps-Prinzipien und den Lebenszyklus des maschinellen Lernens. - Erstellen Sie saubere, leistungsstarke APIs für die Modellbereitstellung mit modernen Frameworks wie FastAPI. - Konfigurieren Sie CI / CD-Pipelines, um Modelltests, Validierung und Bereitstellung zu automatisieren. - Containerisieren Sie Machine-Learning-Anwendungen mit Docker für konsistente Bereitstellungen. - Implementieren Sie grundlegende Modellüberwachungs- und Driftdetektionsstrategien in der Produktion. Der Kurs beginnt mit der wesentlichen Terminologie und grundlegenden Definitionen, bevor Schritt für Schritt die Umgebungskonfiguration, das API-Design, das automatisierte Testen und die Bereitstellungsstrategien durchgeführt werden. Diese Schulung richtet sich an Entwickler, Data Scientists und aufstrebende MLOps-Ingenieure, die Bereitstellungsworkflows verstehen möchten, ohne vorherige DevOps-Erfahrung zu benötigen. Erstellen Sie noch heute produktionsbereite Machine Learning-Pipelines.