【Udemy中英字幕】MLOps Masters

MLOps 大师

掌握 MLOps：构建、部署和监控可扩展的机器学习管道

讲师：Boktiar Ahmed Bappy

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

• 深入了解 MLOps 概念及其在弥合机器学习和生产系统之间的差距方面的重要性。
• 掌握使用 Git、DVC、Docker、MLflow 和 Grafana 等工具实现高效的 ML 管道管理和监控。
• 学习设置和使用 Linux 命令和环境以简化 MLOps 工作流程。
• 使用 GitHub Actions、Jenkins 和 CircleCI 等工具探索机器学习项目的 CI/CD 部署。
• 培养使用 Docker 容器化 ML 应用程序和创建自定义 Docker 镜像的专业知识。
• 构建端到端机器学习管道，用于数据提取、验证、转换、模型训练和评估。
• 集成 AWS SageMaker 在云上训练、部署和提供 ML 模型。
• 与 BentoML 合作大规模部署和管理机器学习模型。
• 了解如何使用 Grafana 设置监控仪表板以进行实时应用程序性能跟踪。
• 实施 DVC 对数据和管道进行版本控制，确保 ML 项目的可重复性。

探索相关主题

要求

• 基本 Python 编程技能 – 熟悉 Python 语法和脚本至关重要。
• 机器学习的基础知识——了解训练、评估和算法等基本机器学习概念。
• 对 Git 有基本了解 – 具有版本控制系统的经验会有所帮助，但不是强制性的。
• 命令行基础——熟悉在终端中导航和执行命令。
• 访问计算机 – 能够运行 Docker 并处理机器学习工作负载的系统。
• AWS 免费套餐帐户 – 实际云练习和部署实践所需。
• 互联网连接 – 可靠的互联网，用于云集成和软件安装。
• 渴望学习——具有好奇心和探索 MLOps 工具和概念的热情。

描述

在当今快速发展的人工智能领域，将机器学习模型部署到生产中并大规模维护它们需要结合尖端工具、简化的工作流程和强大的运营实践。这门关于MLOps（机器学习运营）的课程是您掌握将机器学习无缝高效地集成到实际生产系统中的艺术的终极指南。

本课程专为数据科学家、机器学习工程师和开发人员设计，带您了解机器学习的端到端生命周期，从模型开发到部署和监控。您将学习如何弥合数据科学与 DevOps 之间的差距，实施可靠、可扩展且高效的管道，以持续集成和交付机器学习模型。

本课程涵盖了基本的 MLOps 概念，例如：

• 模型版本控制、跟踪和可重复性。

• 机器学习的持续集成/持续交付 (CI/CD)。

• MLflow、Kubeflow 和 TensorFlow Extended (TFX) 等工具。

• 自动化数据管道和特征工程。

• 监控生产中的模型并检测漂移。

• 确保 ML 工作流中的合规性、安全性和治理。

通过实际示例和动手实验，您将获得实际技能，以优化 ML 管道、减少停机时间并增强团队之间的协作。在本课程结束时，您将能够为任何行业提供可扩展、可靠且可用于生产的机器学习解决方案。

通过掌握部署和扩展的工具和技能，将您对机器学习的热情转化为现实世界的影响！

本课程适合哪些人：

• 有抱负的机器学习工程师——希望提高部署和管理机器学习模型的技能。
• 数据科学家——有兴趣学习如何将机器学习模型从实验转向生产。
• 软件工程师——寻求转型进入 MLOps 领域并获得使用 Docker、CI/CD 和云平台等工具的实践经验。
• DevOps 专业人士——希望将 ML 工作流集成到现有的 DevOps 管道中。
• 人工智能爱好者——想要探索人工智能和机器学习系统的操作方面。
• 云工程师——专注于利用 AWS 等云平台进行机器学习工作流程。
• 学生和新生——具备基本的 ML 和 Python 知识，旨在在 MLOps 领域建立职业生涯。
• 转向 AI/ML 角色的专业人士——寻求一种结构化和实用的方法来学习 MLOps 工具和框架。