【Udemy中英字幕】Beginner to Advanced MLOps on GCP-CI/CD, Kubernetes Jenkins

GCP-CI/CD、Kubernetes Jenkins 上的初级到高级 MLOps

使用 GCP 上的 Kubernetes、GitLab CI、Jenkins、Prometheus、Grafana、Kubeflow 和 Minikube 轻松简化 ML 管道。

讲师：KRISHAI Technologies Private Limited

双语IT资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！

用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。

您将学到什么

• 使用专为机器学习、GitLab CI/CD 定制的 GitHub Action 和 Jenkins 等工具构建和管理强大的持续集成和部署管道
• 利用 Docker、Kubeflow 和 Minikube 等容器化和编排工具在 GCP 上创建可扩展、可投入生产的 ML 系统。
• 使用 PostgreSQL 高效管理和保护 ML 数据，同时使用 Grafana 实现实时监控和可视化仪表板。
• 应用扩展、资源管理和安全合规方面的最佳实践，确保在云环境中高效、安全地进行 ML 操作。

探索相关主题

要求

• 编程能力：具有基础到中级编程经验，尤其是 Python，它广泛用于机器学习和自动化脚本编写。
• 对机器学习原理的基本了解

描述

本课程涵盖了从初级到高级的MLOps课程，涵盖了在生产环境中构建、部署和自动化ML模型所需的各种技术和工具。

课程中使用的技术和工具

• 实验跟踪和模型管理：MLFlow、Comet-ML、TensorBoard

• 数据和代码版本控制：DVC、Git、GitHub、GitLab

• CI/CD 管道和自动化：Jenkins、ArgoCD、GitHub Actions、GitLab CI/CD、CircleCI

• 云与基础设施：GCP（谷歌云平台）、Minikube、Google Cloud Run、Kubernetes

• 部署和容器化：Docker、Kubernetes、FastAPI、Flask

• 数据工程与特征存储：PostgreSQL、Redis、Astro Airflow、PSYCOPG2

• 机器学习监控与漂移检测：Prometheus、Grafana、Alibi-Detect

• API 和 Web 应用程序开发：FastAPI、Flask、ChatGPT、Postman、SwaggerUI

这些工具和技术如何提供帮助

• 实验跟踪和模型管理

  • 有助于记录、比较和跟踪不同的 ML 模型实验。

  • MLFlow 和 Comet-ML 提供超参数和性能指标的集中跟踪。

• 数据和代码版本控制

  • 通过跟踪数据随时间的变化来确保可重复性。

  • DVC 管理大型数据集，GitHub/GitLab 维护代码和管道的版本控制。

• CI/CD 管道和自动化

  • 自动化从模型训练到部署的 ML 工作流程。

  • Jenkins、GitHub Actions、GitLab CI/CD 和 ArgoCD 处理持续集成和部署。

• 云计算与基础设施

  • GCP 为数据存储、模型训练和部署提供了可扩展的基础架构。

  • Minikube 可以在部署到云环境之前在本地机器上进行 Kubernetes 测试。

• 部署与容器化

  • Docker 将应用程序容器化，使其具有可移植性和可扩展性。

  • Kubernetes 管理 ML 部署以实现高可用性和可扩展性。

• 数据工程与特征存储

  • PostgreSQL 和 Redis 存储结构化和实时 ML 功能。

  • Airflow 自动化 ETL 管道以实现无缝数据处理。

• 机器学习监控与漂移检测

  • Prometheus 和 Grafana 实时可视化 ML 模型性能。

  • Alibi-Detect 有助于识别数据漂移和模型退化。

• API 和 Web 应用程序开发

  • FastAPI 和 Flask 创建用于实时模型推理的 API。

  • ChatGPT 集成增强了基于聊天机器人的 ML 应用程序。

  • SwaggerUI 和 Postman 协助 API 文档和测试。

本课程确保对MLOps进行完整的实践方法，涵盖从数据提取、模型训练、版本控制、部署、监控和 CI/CD 自动化的所有内容，以使 ML 项目可用于生产并具有可扩展性。

本课程适合哪些人：

• 机器学习工程师和数据科学家：那些想要弥合模型开发和可扩展部署之间的差距的人。
• DevOps 和 MLOps 从业者：旨在将 CI/CD 管道和容器编排集成到 ML 工作流中的个人。
• 云和基础设施专家：寻求加深对 GCP 和相关云原生工具的专业知识的专业人士。
• 技术领导者和架构师：负责设计和维护生产中强大、可扩展的 ML 系统的决策者。