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

4.5
Sterne
265 Bewertungen
•
48 Bewertungen

Robert Crowe

13.216 bereits angemeldet

von

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

Über diesen Kurs

141.348 kürzliche Aufrufe

In the second course of Machine Learning Engineering for Production Specialization, you will build data pipelines by gathering, cleaning, and validating datasets and assessing data quality; implement feature engineering, transformation, and selection with TensorFlow Extended and get the most predictive power out of your data; and establish the data lifecycle by leveraging data lineage and provenance metadata tools and follow data evolution with enterprise data schemas.
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: Collecting, Labeling, and Validating data
Week 2: Feature Engineering, Transformation, and Selection
Week 3: Data Journey and Data Storage
Week 4: Advanced Data Labeling Methods, Data Augmentation, and Preprocessing Different Data Types

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 2 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. 22 Stunden zum Abschließen

Englisch

Untertitel: Englisch

Was Sie lernen werden

Identify responsible data collection for building a fair ML production system.

Implement feature engineering, transformation, and selection with TensorFlow Extended

Understand the data journey over a production system’s lifecycle and leverage ML metadata and enterprise schemas to address quickly evolving data.

Kompetenzen, die Sie erwerben

ML Metadata
Convolutional Neural Network
TensorFlow Extended (TFX)
Data Validation
Data transformation

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 2 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. 22 Stunden zum Abschließen

Englisch

Untertitel: Englisch

Dozent

Dozentenbewertung

4,28/5 (84 Bewertungen)

Robert Crowe

Instructor

TensorFlow Developer Engineer, Google

15.609 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

Inhaltsbewertung85%(1,626 Bewertungen)

Woche

Woche 1

7 Stunden zum Abschließen

Week 1: Collecting, Labeling and Validating Data

This week covers a quick introduction to machine learning production systems. More concretely you will learn about leveraging the TensorFlow Extended (TFX) library to collect, label and validate data to make it production ready.

7 Stunden zum Abschließen

12 Videos (Gesamt 95 min), 3 Lektüren, 6 Quiz

12 Videos

Specialization overview6m

Course Overview2m

Overview11m

ML Pipelines6m

Importance of Data8m

Example Application: Suggesting Runs8m

Responsible Data: Security, Privacy & Fairness11m

Case Study: Degraded Model Performance9m

Data and Concept Change in Production ML5m

Process Feedback and Human Labeling11m

Detecting Data Issues7m

TensorFlow Data Validation6m

3 Lektüren

Week 1 Optional References3m

How to Download your Notebook10m

Partial Grading for Assignments2m

4 praktische Übungen

Intro to MLEP12m

Data Collection15m

Data Labeling5m

Issues in Training Data10m

Woche

Woche 2

7 Stunden zum Abschließen

Week 2: Feature Engineering, Transformation and Selection

Implement feature engineering, transformation, and selection with TensorFlow Extended by encoding structured and unstructured data types and addressing class imbalances

7 Stunden zum Abschließen

12 Videos (Gesamt 86 min), 1 Lektüre, 4 Quiz

12 Videos

Introduction to Preprocessing5m

Preprocessing Operations6m

Feature Engineering Techniques10m

Feature Crosses3m

Preprocessing Data at Scale12m

TensorFlow Transform14m

Hello World with tf.Transform7m

Feature Spaces5m

Feature Selection4m

Filter Methods6m

Wrapper Methods5m

Embedded Methods5m

1 Lektüre

Week 2 Optional References3m

3 praktische Übungen

Feature Engineering and Preprocessing15m

Feature Transformation15m

Feature Selection8m

Woche

Woche 3

5 Stunden zum Abschließen

Week 3: Data Journey and Data Storage

Understand the data journey over a production system’s lifecycle and leverage ML metadata and enterprise schemas to address quickly evolving data.

5 Stunden zum Abschließen

8 Videos (Gesamt 42 min), 1 Lektüre, 4 Quiz

Woche

Woche 4

3 Stunden zum Abschließen

Week 4 (Optional): Advanced Labeling, Augmentation and Data Preprocessing

Combine labeled and unlabeled data to improve ML model accuracy and augment data to diversify your training set.

3 Stunden zum Abschließen

6 Videos (Gesamt 31 min), 3 Lektüren, 3 Quiz

Bewertungen

4.5

48 Bewertungen

5 stars
64,33 %
4 stars
21,66 %
3 stars
8,66 %
2 stars
5 %
1 star
0,33 %

Top-Bewertungen von MACHINE LEARNING DATA LIFECYCLE IN PRODUCTION

von SC2. Juli 2021

Interesting material. There are quite a lot of typos and many code snippets are directly from the tfx manual pages however the instructions provided and logic of the course is clear.

von WR26. Juli 2021

It's a new course so sometimes there are mistakes in the translations or there is something off in the assignment's grading, but the content is great. :)

von AW13. Okt. 2021

It is a very informative course. I learned a lot about data, metadata, schema and feature engineering, Also, Robert Crowe sir is a very good teacher.

von SC20. Juli 2021

Best course for the professionals looking to upgrade there ML skills at production level! Thanks to the brilliant and wonderful course instructor.

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, Coursera bietet für Kursteilnehmer, die sich die Kursgebühr nicht leisten können, finanzielle Unterstützung an. Bewerben Sie sich dafür, indem Sie auf den Link für finanzielle Unterstützung links unter der Schaltfläche „Anmelden“ klicken. Sie werden zum Ausfüllen eines Antrags aufgefordert und werden bei Genehmigung benachrichtigt. Diesen Schritt müssen Sie für jeden Kurs der Spezialisierung ausführen, auch für das Abschlussprojekt. Mehr erfahren

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

Machine Learning Data Lifecycle in Production