【Udemy中英字幕】Complete MLOps Bootcamp With 10+ End To End ML Projects

通过 10 多个端到端 ML 项目完成 MLOps 训练营

端到端 MLOps 训练营：使用数据科学项目构建、部署和自动化 ML

讲师：Krish Naik

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 Git、Docker 和 CI/CD 集成构建可扩展的 MLOps 管道。
实现 MLFlow 和 DVC 进行模型版本控制和实验跟踪。
使用 AWS SageMaker 和 Huggingface 部署端到端 ML 模型。
使用 Apache Airflow 和 Astro 自动化 ETL 管道和 ML 工作流。
使用 Grafana 和 PostgreSQL 监控 ML 系统以获得实时洞察。

探索相关主题

MLOps
数据科学
发展

要求

对 Python 编程有基本的了解。
熟悉机器学习概念和算法。
具有 Git 和 GitHub 版本控制的基本知识。
了解 Docker 的容器化（可选但有帮助）。
了解云计算概念（优先考虑 AWS，但非强制性的）。

描述

欢迎来到完整的 MLOps 训练营，其中包含端到端数据科学项目，这是您从头开始掌握 MLOps 的一站式指南！本课程旨在为您提供必要的技能和知识，以便使用最新的 MLOps 工具和框架实施和自动化机器学习模型的部署、监控和扩展。

在当今世界，仅仅构建机器学习模型是不够的。要想成为一名成功的数据科学家、机器学习工程师或 DevOps 专业人士，您需要了解如何将模型从开发阶段转移到生产阶段，同时确保可扩展性、可靠性和持续监控。这就是 MLOps（机器学习运营）发挥作用的地方，它将 DevOps 和 ML 模型生命周期管理的最佳实践结合在一起。

这个训练营不仅会向您介绍 MLOps 的概念，还会带您完成现实世界的实践数据科学项目。在课程结束时，您将能够在生产环境中自信地构建、部署和管理机器学习管道。

您将学到的内容：

Python 先决条件：复习构建数据科学和 MLOps 管道所需的基本 Python 编程技能。
使用 Git 和 GitHub 进行版本控制：了解如何使用 Git 和 GitHub 管理代码并协作机器学习项目。
Docker 和容器化：了解 Docker 的基础知识以及如何容器化您的 ML 模型以实现轻松且可扩展的部署。
MLflow 用于实验跟踪：掌握使用 MLFlow 跟踪实验、管理模型以及与 AWS 云无缝集成以进行模型管理和部署。
数据版本控制的 DVC：学习数据版本控制 (DVC) 以有效管理数据集、模型和版本控制，确保 ML 管道中的可重复性。
用于协作 MLOps 的 DagsHub：利用 DagsHub 使用 Git 和 DVC 对您的代码、数据和 ML 实验进行集成跟踪。
Apache Airflow 与 Astro：使用 Airflow 与 Astronomer 自动化和协调您的 ML 工作流程，确保您的管道无缝运行。
使用 GitHub Actions 的 CI/CD 管道：实施持续集成/持续部署 (CI/CD) 管道以自动化测试、模型部署和更新。
ETL 管道实现：使用 Apache Airflow 构建和部署完整的 ETL（提取、转换、加载）管道，集成机器学习模型的数据源。
端到端机器学习项目：从数据收集到部署，完成整个 ML 项目，确保您了解如何在实践中应用 MLOps。
使用 Huggingface 的端到端 NLP 项目：开展真实世界的 NLP 项目，学习如何使用 Huggingface 工具部署和监控变压器模型。
AWS SageMaker 用于 ML 部署：了解如何在 AWS SageMaker 上部署、扩展和监控您的模型，并与其他 AWS 服务无缝集成。
使用 AWS 云的 Gen AI：探索生成式 AI 技术并了解如何使用 AWS 云基础设施部署这些模型。
使用 Grafana 和 PostgreSQL 进行监控：使用连接到 PostgreSQL 的 Grafana 仪表板监控模型和管道的性能，以获得实时洞察。