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

4.4
Sterne
316 Bewertungen

85 %

Robert Crowe

21.352 bereits angemeldet

von

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

Über diesen Kurs

64.954 kürzliche Aufrufe

In the third course of Machine Learning Engineering for Production Specialization, you will build models for different serving environments; implement tools and techniques to effectively manage your modeling resources and best serve offline and online inference requests; and use analytics tools and performance metrics to address model fairness, explainability issues, and mitigate bottlenecks.
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: Neural Architecture Search
Week 2: Model Resource Management Techniques
Week 3: High-Performance Modeling
Week 4: Model Analysis
Week 5: Interpretability

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.

Coursera-Labore

Enthält praktische Lernprojekte.

Hier finden Sie weitere Informationen zu Coursera-Laboren

Kurs 3 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. 23 Stunden zum Abschließen

Englisch

Könnte Ihr Unternehmen von Mitarbeiterweiterbildungen für gefragte Kompetenzen profitieren?

Probieren Sie Coursera for Business aus

Was Sie lernen werden

Apply techniques to manage modeling resources and best serve batch and real-time inference requests.
Use analytics to address model fairness, explainability issues, and mitigate bottlenecks.

Kompetenzen, die Sie erwerben

Explainable AI
Fairness Indicators
automl
Model Performance Analysis
Precomputing Predictions

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.

Coursera-Labore

Enthält praktische Lernprojekte.

Hier finden Sie weitere Informationen zu Coursera-Laboren

Kurs 3 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. 23 Stunden zum Abschließen

Englisch

Könnte Ihr Unternehmen von Mitarbeiterweiterbildungen für gefragte Kompetenzen profitieren?

Probieren Sie Coursera for Business aus

Dozent

Dozentenbewertung

4,31/5 (85 Bewertungen)

Robert Crowe

Instructor

TensorFlow Developer Engineer, Google

39.059 Lernende

3 Kurse

von

deeplearning.ai

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Weitere Informationen zu Coursera für Unternehmen

Lehrplan - Was Sie in diesem Kurs lernen werden

Inhaltsbewertung85%(1,873 Bewertungen)

Woche1

Woche 1

6 Stunden zum Abschließen

Week 1: Neural Architecture Search

6 Stunden zum Abschließen

10 Videos (Gesamt 40 min), 4 Lektüren, 6 Quiz

10 Videos

Course Overview2mHyperparameter Tuning3mKeras Autotuner Demo6mIntro to AutoML5mUnderstanding Search Spaces2mSearch Strategies4mMeasuring AutoML Efficacy3mAutoML on the Cloud8mAssignment Setup1mWeek 1 Wrap Up19

4 Lektüren

Ungraded Lab - Intro to Keras Tuner45mUngraded Lab - Hyperparameter Tuning and Model Training with TFX1hNeural Architecture Search3mAutoML3m

2 praktische Übungen

Hyperparameter Tuning and Neural Architecture Search10mAutoML12m

Woche2

Woche 2

4 Stunden zum Abschließen

Week 2: Model Resource Management Techniques

4 Stunden zum Abschließen

13 Videos (Gesamt 91 min), 6 Lektüren, 3 Quiz

13 Videos

Dimensionality Effect on Performance8mCurse of Dimensionality9mCurse of Dimensionality: an Example4mManual Dimensionality Reduction5mManual Dimensionality Reduction: Case Study7mAlgorithmic Dimensionality Reduction 2mPrincipal Components Analysis7mOther Techniques7mMobile, IoT, and Similar Use Cases 7mBenefits and Process of Quantization8mPost Training Quantization4mQuantization Aware Training4mPruning12m

6 Lektüren

Ungraded Lab - Manual Feature Engineering30mDimensionality Reduction Techniques3mUngraded Lab - Algorithmic Dimensionality Reduction40mQuantization3mPruning3mUngraded Lab - Quantization and Pruning45m

2 praktische Übungen

Dimensionality Reduction20mQuantization and Pruning20m

Woche3

Woche 3

5 Stunden zum Abschließen

Week 3: High-Performance Modeling

5 Stunden zum Abschließen

6 Videos (Gesamt 57 min), 4 Lektüren, 4 Quiz

6 Videos

Distributed Training10mHigh-Performance Ingestion11mTraining Large Models - The Rise of Giant Neural Nets and Parallelism13mTeacher and Student Networks3mKnowledge Distillation Techniques9mCase Study - How to Distill Knowledge for a Q&A Task8m

4 Lektüren

Ungraded Lab - Distributed Strategies with TF and Keras45mHigh-Performance Modeling5mUngraded Lab - Knowledge Distillation45mKnowledge Distillation 2m

2 praktische Übungen

High-Performance Modeling20mKnowledge Distillation 20m

Woche4

Woche 4

4 Stunden zum Abschließen

Week 4: Model Analysis

4 Stunden zum Abschließen

12 Videos (Gesamt 69 min), 8 Lektüren, 4 Quiz

12 Videos

Model Performance Analysis7mIntroduction to TensorFlow Model Analysis6mTFMA in Practice3mModel Debugging Overview3mBenchmark Models1mSensitivity Analysis and Adversarial Attacks9mAdversarial Attack Demo4mResidual Analysis2mModel Remediation4mFairness4mMeasuring Fairness 5mContinuous Evaluation and Monitoring14m

8 Lektüren

TensorBoard3mTensorFlow Model Analysis3mUngraded Lab - Tensorflow Model Analysis45mUngraded Lab - Model Analysis with TFX Evaluator45mSensitivity Analysis and Adversarial Attacks3mUngraded Lab - Fairness Indicators40mModel Remediation and Fairness5mContinuous Evaluation and Monitoring5m

3 praktische Übungen

Model Analysis8mModel Analysis and Debugging18mContinuous Evaluation and Monitoring8m

Bewertungen

4.4

59 Bewertungen

5 stars
63,83 %
4 stars
20,12 %
3 stars
7,54 %
2 stars
5,66 %
1 star
2,83 %

Top-Bewertungen von MACHINE LEARNING MODELING PIPELINES IN PRODUCTION

von NL20. Sep. 2021

This course is helpful. Enrich my knowledge with data concepts, optimal high-performance model tools and model debugging.

von JZ3. Apr. 2022

Lots of hands-on exercises accompanying knowledge learned in this course 3, but could be difficult for someone without prior working knowledge on Google Cloud platform/services.

von DW8. Juni 2022

Great course, probably the best in the specialisation.

von SD5. Jan. 2023

Excellent introduction to pipelines for production ML.

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.

Fördern Sie Mitarbeiterkompetenzen für bessere Geschäftsergebnisse

Entdecken Sie Coursera für Unternehmen

Machine Learning Modeling Pipelines in Production

Über diesen Kurs

Was Sie lernen werden

Kompetenzen, die Sie erwerben