【Udemy中英字幕】Deployment of Machine Learning Models

机器学习模型的部署

了解如何在生产中集成强大且可靠的机器学习管道

讲师：Soledad Galli

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。

你将会学到的

构建机器学习模型 API 并将模型部署到云端
从已部署的机器学习模型发送和接收请求
为模型部署设计可测试、版本控制和可重复的生产代码
创建持续和自动化的集成来部署您的模型
了解最佳的机器学习架构
了解可用于生产模型的不同资源
识别并缓解将模型投入生产的挑战

要求

Python 安装
Git 安装
对 Python 编程有信心，包括熟悉 Numpy、Pandas 和 Scikit-learn
熟悉 IDE 的使用，例如 Pycharm、Sublime、Spyder 或类似的
熟悉编写 Python 脚本并从命令行界面运行它们
了解基本的 git 命令，包括克隆、分叉、分支创建和分支签出
了解基本的 git 命令，包括 git status、git add、git commit、git pull、git push
了解基本 CLI 命令，包括导航文件夹以及从 CLI 使用 Git 和 Python
了解线性回归和模型评估指标，例如 MSE 和 R2

说明

欢迎来到机器学习模型的部署，这是迄今为止最全面的机器学习部署在线课程。本课程将向您展示如何将机器学习模型从研究环境转移到完全集成的生产环境。

什么是模型部署？

机器学习模型的部署，或者简单地说，将模型投入生产，意味着使您的模型可供组织或网络内的其他系统使用，以便它们可以接收数据并返回预测。通过部署机器学习模型，您可以开始充分利用您构建的模型。

这门课程适合谁？

如果您刚刚构建了第一个机器学习模型，并且想知道如何将它们投入生产或将它们部署到 API 中，
如果您在组织内部署了一些模型并希望了解有关模型部署的最佳实践的更多信息，
如果您是一位热心的软件开发人员，想要部署完全集成的机器学习管道，

本课程将向您展示如何操作。

你会学到什么？

我们将逐步引导您通过引人入胜的视频教程，教您开始在研究环境中创建模型所需的一切知识，然后将 Jupyter 笔记本转换为生产代码，打包代码并部署到 API ，并添加持续集成和持续交付。我们将讨论可重复性的概念、为什么它很重要，以及如何通过版本控制、代码存储库和 Docker 的使用来最大限度地提高部署过程中的可重复性。我们还将讨论可用于部署机器学习模型的工具和平台。

具体来说，您将学到：