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

4.5
Sterne
217 Bewertungen

85 %

Robert Crowe

13.859 bereits angemeldet

von

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

Über diesen Kurs

86.347 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.

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. 26 Stunden zum Abschließen

Englisch

Untertitel: Englisch, Französisch

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.

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. 26 Stunden zum Abschließen

Englisch

Untertitel: Englisch, Französisch

Dozent

Dozentenbewertung

4,53/5 (60 Bewertungen)

Robert Crowe

Instructor

TensorFlow Developer Engineer, Google

26.230 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%(1,267 Bewertungen)

Woche

Woche 1

7 Stunden zum Abschließen

Week 1: Neural Architecture Search

Learn how to effectively search for the best model that will scale for various serving needs while constraining model complexity and hardware requirements.

7 Stunden zum Abschließen

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

10 Videos

Course Overview2m

Hyperparameter Tuning3m

Keras Autotuner Demo6m

Intro to AutoML5m

Understanding Search Spaces2m

Search Strategies4m

Measuring AutoML Efficacy3m

AutoML on the Cloud8m

Assignment Setup1m

Week 1 Wrap Up19

4 Lektüren

Ungraded Lab - Intro to Keras Tuner1h

Ungraded Lab - Hyperparameter Tuning and Model Training with TFX1h

Neural Architecture Search3m

AutoML3m

2 praktische Übungen

Hyperparameter Tuning and Neural Architecture Search10m

AutoML12m

Woche

Woche 2

5 Stunden zum Abschließen

Week 2: Model Resource Management Techniques

Learn how to optimize and manage the compute, storage, and I/O resources your model needs in production environments during its entire lifecycle.

5 Stunden zum Abschließen

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

13 Videos

Dimensionality Effect on Performance8m

Curse of Dimensionality9m

Curse of Dimensionality: an Example4m

Manual Dimensionality Reduction5m

Manual Dimensionality Reduction: Case Study7m

Algorithmic Dimensionality Reduction 2m

Principal Components Analysis7m

Other Techniques7m

Mobile, IoT, and Similar Use Cases 7m

Benefits and Process of Quantization8m

Post Training Quantization4m

Quantization Aware Training4m

Pruning12m

6 Lektüren

Ungraded Lab - Manual Feature Engineering30m

Dimensionality Reduction Techniques3m

Ungraded Lab - Algorithmic Dimensionality Reduction40m

Quantization3m

Pruning3m

Ungraded Lab - Quantization and Pruning1h

2 praktische Übungen

Dimensionality Reduction20m

Quantization and Pruning20m

Woche

Woche 3

5 Stunden zum Abschließen

Week 3: High-Performance Modeling

Implement distributed processing and parallelism techniques to make the most of your computational resources for training your models efficiently.

5 Stunden zum Abschließen

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

6 Videos

Distributed Training10m

High-Performance Ingestion11m

Training Large Models - The Rise of Giant Neural Nets and Parallelism13m

Teacher and Student Networks3m

Knowledge Distillation Techniques9m

Case Study - How to Distill Knowledge for a Q&A Task8m

4 Lektüren

Ungraded Lab - Distributed Strategies with TF and Keras1h

High-Performance Modeling5m

Ungraded Lab - Knowledge Distillation1h

Knowledge Distillation 2m

2 praktische Übungen

High-Performance Modeling20m

Knowledge Distillation 20m

Woche

Woche 4

6 Stunden zum Abschließen

Week 4: Model Analysis

Use model performance analysis to debug and remediate your model and measure robustness, fairness, and stability.

6 Stunden zum Abschließen

12 Videos (Gesamt 69 min), 8 Lektüren, 5 Quiz

12 Videos

Model Performance Analysis7m

Introduction to TensorFlow Model Analysis6m

TFMA in Practice3m

Model Debugging Overview3m

Benchmark Models1m

Sensitivity Analysis and Adversarial Attacks9m

Adversarial Attack Demo4m

Residual Analysis2m

Model Remediation4m

Fairness4m

Measuring Fairness 5m

Continuous Evaluation and Monitoring14m

8 Lektüren

TensorBoard3m

TensorFlow Model Analysis3m

Ungraded Lab - Tensorflow Model Analysis1h

Ungraded Lab - Model Analysis with TFX Evaluator1h

Sensitivity Analysis and Adversarial Attacks3m

Ungraded Lab - Fairness Indicators1h

Model Remediation and Fairness5m

Continuous Evaluation and Monitoring5m

3 praktische Übungen

Model Analysis8m

Model Analysis and Debugging18m

Continuous Evaluation and Monitoring8m

Bewertungen

4.5

41 Bewertungen

5 stars
69,78 %
4 stars
17,87 %
3 stars
6,80 %
2 stars
2,97 %
1 star
2,55 %

Top-Bewertungen von MACHINE LEARNING MODELING PIPELINES IN PRODUCTION

von RM13. Sep. 2021

This is very helpful course to understand the life of model specially after its deployment.

von SM7. Juni 2022

The assignments are just quizes, and no practical programming exercise

von IA14. Juni 2022

There were a lot of useful information and practical insights about the subject of the course. The material on Tensorflow-specific modules felt a bit unorganized and cumbersome to go through.

von AD7. Aug. 2021

Excellent!! Ver, Very Very Good. Learn a lot. Thank you for sharing.

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.

Machine Learning Modeling Pipelines in Production