ML Experiment Tracking and Model Development for MLOpsName

Chuyển từ mã thử nghiệm hỗn độn sang các luồng công việc học máy sẵn sàng sản xuất có thể là một thách thức nếu không có một cách tiếp cận có hệ thống. Chương trình này dạy bạn cách đăng nhập, theo dõi và so sánh các thí nghiệm ML của bạn để đảm bảo tính tái tạo hoàn chỉnh. Bạn sẽ chuyển từ các chu kỳ phát triển hỗn loạn sang quản lý mô hình có cấu trúc, học cách đăng ký tham số, so sánh các mô hình chạy, và quản lý các phiên bản mô hình sử dụng các thực tiễn MLOps tiêu chuẩn công nghiệp. Bạn sẽ học được: - Hiểu được các nguyên tắc cốt lõi của việc theo dõi thí nghiệm và tại sao nó là thiết yếu cho MLOp hiện đại - Ghi siêu tham số, thước đo, và hiện vật có hệ thống trong quá trình huấn luyện mô hình - So sánh các mô hình chạy khác nhau để xác định cấu hình hiệu suất tốt nhất - Quản lý các phiên bản và chuyển đổi mô hình trong suốt chu kỳ phát triển - Apply clean code practices and modern packaging standards to your ML workflows - Tổ chức các dự án học máy của bạn cho sự hợp tác và tái tạo không gian Chương trình bắt đầu với các định nghĩa cơ bản và các khái niệm cốt lõi của việc theo dõi thí nghiệm trước khi hướng dẫn bạn qua các giải thích viết từng bước về việc ghi chép, so sánh chạy và mô hình phiên bản. Bạn sẽ thực hành các khái niệm này thông qua các bài tập dựa trên văn bản được thiết kế để mô phỏng các kịch bản MLOps thế giới thực. Lớp học này được thiết kế cho các nhà khoa học dữ liệu mới bắt đầu, người đam mê học máy và kỹ sư phần mềm tìm kiếm các thực tiễn tốt nhất của MLOps. Không cần có nền tảng học máy tiên tiến hoặc kinh nghiệm DevOps trước đó. Bắt đầu theo dõi cấu trúc hôm nay để làm cho các luồng công việc học máy của bạn được tổ chức và tái tạo.