Dieser Kurs ist Teil der Spezialisierung Spezialisierung Machine Learning Engineering for Production (MLOps)

4.6
Sterne
166 Bewertungen

Laurence Moroney +1 weiterer Dozent

12.771 bereits angemeldet

von

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

Über diesen Kurs

86.924 kürzliche Aufrufe

In the fourth course of Machine Learning Engineering for Production Specialization, you will learn how to deploy ML models and make them available to end-users. You will build scalable and reliable hardware infrastructure to deliver inference requests both in real-time and batch depending on the use case. You will also implement workflow automation and progressive delivery that complies with current MLOps practices to keep your production system running. Additionally,  you will continuously monitor your system to detect model decay, remediate performance drops, and avoid system failures so it can continuously operate at all times.  
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: Model Serving Introduction
Week 2: Model Serving Patterns and Infrastructures
Week 3: Model Management and Delivery
Week 4: Model Monitoring and Logging

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Kurs 4 von 4 in

Spezialisierung Machine Learning Engineering for Production (MLOps)

Stufe „Fortgeschritten“

• Some knowledge of AI / deep learning

• Intermediate Python skills

• Experience with any deep learning framework (PyTorch, Keras, or TensorFlow)

Ca. 33 Stunden zum Abschließen

Englisch

Untertitel: Englisch, Französisch

Kompetenzen, die Sie erwerben

TensorFlow Serving
Model Monitoring
Model Registries
Machine Learning Operations (MLOps)
Generate Data Protection Regulation (GDPR)

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Kurs 4 von 4 in

Spezialisierung Machine Learning Engineering for Production (MLOps)

Stufe „Fortgeschritten“

• Some knowledge of AI / deep learning

• Intermediate Python skills

• Experience with any deep learning framework (PyTorch, Keras, or TensorFlow)

Ca. 33 Stunden zum Abschließen

Englisch

Untertitel: Englisch, Französisch

Dozenten

Dozentenbewertung

4,51/5 (47 Bewertungen)

Laurence Moroney

Instructor

Lead AI Advocate, Google

373.014 Lernende

15 Kurse

Robert Crowe

Instructor

TensorFlow Developer Engineer, Google

26.360 Lernende

3 Kurse

von

deeplearning.ai

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

Lehrplan - Was Sie in diesem Kurs lernen werden

Woche

Woche 1

5 Stunden zum Abschließen

Week 1: Model Serving: Introduction

Learn how to make your ML model available to end-users and optimize the inference process

5 Stunden zum Abschließen

7 Videos (Gesamt 34 min), 5 Lektüren, 5 Quiz

7 Videos

Course Overview4m

Introduction to Model Serving6m

Introduction to Model Serving Infrastructure5m

Deployment Options3m

Improving Prediction Latency and Reducing Resource Costs5m

Creating and deploying models to AI Prediction Platform2m

Installing TensorFlow Serving6m

5 Lektüren

Ungraded Labs - Best Practices5m

Ungraded Lab - Introduction to Docker20m

Optional: Build, train, and deploy an XGBoost model on Cloud AI Platform45m

Ungraded Lab - Tensorflow Serving with Docker20m

Ungraded Lab - Serve a model with TensorFlow Serving30m

3 praktische Übungen

Introduction to Model Serving30m

Introduction to Model Serving Infrastructure30m

TensorFlow Serving30m

Woche

Woche 2

10 Stunden zum Abschließen

Week 2: Model Serving: Patterns and Infrastructure

Learn how to serve models and deliver batch and real-time inference results by building scalable and reliable infrastructure

10 Stunden zum Abschließen

8 Videos (Gesamt 44 min), 8 Lektüren, 8 Quiz

8 Videos

Model Serving Architecture4m

Model Servers: TensorFlow Serving3m

Model Servers: Other Providers5m

Scaling Infrastructure10m

Online Inference6m

Data Preprocessing4m

Batch Inference Scenarios5m

Batch Processing with ETL3m

8 Lektüren

Documentation on model servers10m

Ungraded Lab - Deploy a ML model with FastAPI and Docker1h

Learn about scaling with boy bands10m

Explore Kubernetes and KubeFlow10m

(Optional) Ungraded Lab: Intro to Kubernetes1h 10m

Ungraded Lab - Latency testing with Docker Compose and Locust45m

Data preprocessing10m

Ungraded Lab (Optional): Machine Learning with Apache Beam and TensorFlow45m

6 praktische Übungen

Model serving architecture30m

Scaling Infrastructure30m

Online Inference30m

Data Preprocessing30m

Batch inference scenarios30m

Batch Processing with ETL30m

Woche

Woche 3

12 Stunden zum Abschließen

Week 3: Model Management and Delivery

Learn how to implement ML processes, pipelines, and workflow automation that adhere to modern MLOps practices, which will allow you to manage and audit your projects during their entire lifecycle

12 Stunden zum Abschließen

9 Videos (Gesamt 82 min), 10 Lektüren, 6 Quiz

9 Videos

Experiment Tracking8m

Tools for Experiment Tracking7m

Introduction to MLOps11m

MLOps Level 0 5m

MLOps Levels 1&213m

Developing Components for an Orchestrated Workflow13m

Managing Model Versions7m

Continuous Delivery7m

Progressive Delivery7m

10 Lektüren

Experiment Tracking10m

MLOps Resources10m

Ungraded Lab: Intro to Kubeflow Pipelines2h

Architecture for MLOps using TFX, Kubeflow Pipelines, and Cloud Build10m

Ungraded Lab: Developing TFX Custom Components45m

Ungraded Lab - Model Versioning with TF Serving40m

ML Model Management10m

Ungraded Lab - CI/CD pipelines with GitHub Actions1h

Continuous Delivery10m

Progressive Delivery10m

3 praktische Übungen

ML Experiments Management and Workflow Automation30m

MLOps Methodology30m

Model Management and Deployment Infrastructure30m

Woche

Woche 4

6 Stunden zum Abschließen

Week 4: Model Monitoring and Logging

Establish procedures to detect model decay and prevent reduced accuracy in a continuously operating production system

6 Stunden zum Abschließen

13 Videos (Gesamt 66 min), 7 Lektüren, 5 Quiz

13 Videos

Why Monitoring Matters6m

Observability in ML4m

Monitoring Targets in ML4m

Logging for ML Monitoring7m

Tracing for ML Systems3m

What is Model Decay?3m

Model Decay Detection2m

Ways to Mitigate Model Decay5m

Responsible AI5m

Legal Requirements for Secure and Private AI9m

Anonymization and Pseudonymisation 4m

Right to be Forgotten8m

Specialization recap and farewell1m

7 Lektüren

Monitoring Machine Learning Models in Production10m

Addressing Model Decay10m

Responsible AI10m

GDPR and CCPA10m

Course 4 Optional References10m

Acknowledgements10m

Join our DeepLearning.AI Community!10m

3 praktische Übungen

Model Monitoring and Logging30m

Model Decay30m

GDPR and Privacy30m

Bewertungen

4.6

27 Bewertungen

5 stars
71,26 %
4 stars
21,26 %
3 stars
3,44 %
2 stars
2,29 %
1 star
1,72 %

Top-Bewertungen von DEPLOYING MACHINE LEARNING MODELS IN PRODUCTION

von VL16. Mai 2022

It's intense, applied, concrete and to the point. A very good course.

von JL16. Apr. 2022

This course has been so helpful and taught me so much information. A big thank you to all the instructors!!

von AA19. Apr. 2022

it's a pretty good overview, only downside is the focus on GCP

von BH11. Jan. 2022

I was hoping for a final project that I can use in my portfolio because the course content is so much and not easy to digest

Alle Bewertungen anzeigen

Über den Spezialisierung Machine Learning Engineering for Production (MLOps)

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)

Häufig gestellte Fragen

Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Anmeldung ab. Wenn Sie einen Kurs im Gastmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erhalten, müssen Sie während oder nach Ihrer Gastphase das Zertifikat erwerben. Wenn Sie die Gastoption nicht sehen:
Der Kurs bietet möglicherweise keine Gastoption an. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs kann stattdessen "Vollständiger Kurs ohne Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Aufgaben einreichen und eine Endnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Was bekomme ich, wenn ich diese Spezialisierung abonniere?
Wenn Sie sich für den Kurs anmelden, erhalten Sie Zugriff auf alle Kurse der Spezialisierung und Sie erhalten nach Abschluss aller Arbeiten ein Zertifikat. Ihr elektronisches Zertifikat wird zu Ihrer Seite „Errungenschaften“ hinzugefügt – von dort können Sie Ihr Zertifikat ausdrucken oder es zu Ihrem LinkedIn Profil hinzufügen. Wenn Sie nur lesen und den Inhalt des Kurses anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen.
Ist finanzielle Unterstützung möglich?
Ja. Für ausgewählte Lernprogramme können Sie finanzielle Unterstützung oder ein Stipendium beantragen, wenn Sie sich die Anmeldegebühr nicht leisten können. Wenn für das von Ihnen gewählte Lernprogramm finanzielle Unterstützung oder ein Stipendium verfügbar ist, wird auf der Beschreibungsseite ein Link zu einem solchen Antrag angezeigt.

Haben Sie weitere Fragen? Besuchen Sie das Learner Help Center.

Deploying Machine Learning Models in Production

Über diesen Kurs

Kompetenzen, die Sie erwerben