Sistemi di Machine Learning: ottimizzazione delle prestazioni e della capacità

Costruire un modello di apprendimento automatico è solo metà della battaglia; assicurarsi che funzioni in modo efficiente sotto i vincoli del mondo reale è dove molti progetti faticano.Questo corso ti guida attraverso i concetti essenziali di capacità del sistema, complessità computazionale e ottimizzazione delle prestazioni. Passerai dalla scrittura di codice di base per il machine learning alla progettazione di pipeline di formazione e valutazione altamente efficienti che rispettano i limiti hardware e si adattano in modo efficace. Cosa imparerai: - Comprendere i concetti fondamentali di complessità computazionale, impronte di memoria e vincoli hardware nell'apprendimento automatico. - Analizza e ottimizza le pipeline di caricamento dei dati per evitare colli di bottiglia delle risorse e inattività dell'hardware. - Valutare la capacità del modello di bilanciare il potere predittivo con la velocità di allenamento e la latenza di inferenza. - Applicare moderne tecniche di ottimizzazione tra cui formazione a precisione mista, quantizzazione del modello e potatura. - Configurare strategie di valutazione efficienti per monitorare le prestazioni del sistema senza sprecare risorse computazionali. - Praticare tecniche di profilazione per identificare e risolvere sistematicamente i colli di bottiglia delle prestazioni. Iniziamo con le definizioni di base della capacità del sistema e della complessità computazionale prima di passare a strategie pratiche per l'ottimizzazione della pipeline e la gestione delle risorse.Attraverso chiare spiegazioni scritte e frammenti di codice strutturati, imparerai come fare compromessi informati tra accuratezza del modello ed efficienza del sistema. Questo corso è progettato per i professionisti del machine learning da principiante a intermedio, ingegneri software e sviluppatori di dati che desiderano creare sistemi pronti per la produzione; non è richiesto un background di ingegneria dei sistemi avanzati.