- Регистрация
- 22 Февраль 2018
- Сообщения
- 11.997
Автор: coursera
Название: Специализация Machine Learning Engineering for Production (MLOps) (2021)
Описание:
Понимание концепций машинного обучения и глубокого обучения очень важно, но если вы хотите построить эффективную карьеру в области искусственного интеллекта, вам также понадобятся возможности производственного инжиниринга.
Для эффективного развертывания моделей машинного обучения требуются компетенции, которые чаще встречаются в технических областях, таких как разработка программного обеспечения и DevOps. Инжиниринг машинного обучения для производства сочетает в себе основополагающие концепции машинного обучения с функциональным опытом разработки современного программного обеспечения и инженерными ролями.
Специализация «Машинное обучение для производства» (MLOps) охватывает способы концептуализации, построения и обслуживания интегрированных систем, которые непрерывно работают в производственной среде. В отличие от стандартного моделирования машинного обучения, производственные системы должны обрабатывать постоянно меняющиеся данные. Более того, производственная система должна работать без остановок с минимальными затратами при максимальной производительности. В этой специализации вы узнаете, как использовать хорошо зарекомендовавшие себя инструменты и методологии для эффективного и результативного выполнения всего этого.
В этой специализации вы познакомитесь с возможностями, проблемами и последствиями инженерии машинного обучения в производственной среде. К концу вы будете готовы использовать свои новые готовые навыки для участия в разработке передовых технологий искусственного интеллекта для решения реальных проблем.
ЧТО ВЫ УЗНАЕТЕ
- Комплексное проектирование производственной системы машинного обучения: объем проекта, потребности в данных, стратегии моделирования и требования к развертыванию.
- Установите базовый уровень модели, устраните дрейф концепций и создайте прототип, как разрабатывать, развертывать и непрерывно улучшать производственное приложение машинного обучения.
- Создавайте конвейеры данных, собирая, очищая и проверяя наборы данных. Установите жизненный цикл данных с помощью инструментов метаданных происхождения и происхождения.
- Применяйте передовой опыт и прогрессивные методы доставки, чтобы поддерживать и контролировать непрерывно работающую производственную систему.
Проект прикладного обучения
К концу вы будете готовы к
- Комплексное проектирование производственной системы машинного обучения: определение объема проекта, потребности в данных, стратегии моделирования и требования к развертыванию.
- Определите базовую линию модели, устраните дрейф концепций и создайте прототип, как разрабатывать, развертывать и непрерывно улучшать ML-приложение производственного размера.
- Создавайте конвейеры данных путем сбора, очистки и проверки наборов данных
- реализовывать проектирование, преобразование и выбор функций с помощью TensorFlow Extended
- Установите жизненный цикл данных, используя инструменты метаданных происхождения и происхождения данных, и отслеживайте эволюцию данных с помощью корпоративных схем данных
- Применяйте методы для управления ресурсами моделирования и наилучшего обслуживания автономных / онлайн-запросов на вывод.
- Используйте аналитику для решения проблем справедливости модели, объяснимости и устранения узких мест
- Предоставление конвейеров развертывания для обслуживания моделей, требующих различных инфраструктур.
- Применяйте передовой опыт и прогрессивные методы доставки для поддержания непрерывно работающей производственной системы
Материал на английском языке
Подробнее:
Скачать:
Название: Специализация Machine Learning Engineering for Production (MLOps) (2021)
Описание:
Понимание концепций машинного обучения и глубокого обучения очень важно, но если вы хотите построить эффективную карьеру в области искусственного интеллекта, вам также понадобятся возможности производственного инжиниринга.
Для эффективного развертывания моделей машинного обучения требуются компетенции, которые чаще встречаются в технических областях, таких как разработка программного обеспечения и DevOps. Инжиниринг машинного обучения для производства сочетает в себе основополагающие концепции машинного обучения с функциональным опытом разработки современного программного обеспечения и инженерными ролями.
Специализация «Машинное обучение для производства» (MLOps) охватывает способы концептуализации, построения и обслуживания интегрированных систем, которые непрерывно работают в производственной среде. В отличие от стандартного моделирования машинного обучения, производственные системы должны обрабатывать постоянно меняющиеся данные. Более того, производственная система должна работать без остановок с минимальными затратами при максимальной производительности. В этой специализации вы узнаете, как использовать хорошо зарекомендовавшие себя инструменты и методологии для эффективного и результативного выполнения всего этого.
В этой специализации вы познакомитесь с возможностями, проблемами и последствиями инженерии машинного обучения в производственной среде. К концу вы будете готовы использовать свои новые готовые навыки для участия в разработке передовых технологий искусственного интеллекта для решения реальных проблем.
ЧТО ВЫ УЗНАЕТЕ
- Комплексное проектирование производственной системы машинного обучения: объем проекта, потребности в данных, стратегии моделирования и требования к развертыванию.
- Установите базовый уровень модели, устраните дрейф концепций и создайте прототип, как разрабатывать, развертывать и непрерывно улучшать производственное приложение машинного обучения.
- Создавайте конвейеры данных, собирая, очищая и проверяя наборы данных. Установите жизненный цикл данных с помощью инструментов метаданных происхождения и происхождения.
- Применяйте передовой опыт и прогрессивные методы доставки, чтобы поддерживать и контролировать непрерывно работающую производственную систему.
Проект прикладного обучения
К концу вы будете готовы к
- Комплексное проектирование производственной системы машинного обучения: определение объема проекта, потребности в данных, стратегии моделирования и требования к развертыванию.
- Определите базовую линию модели, устраните дрейф концепций и создайте прототип, как разрабатывать, развертывать и непрерывно улучшать ML-приложение производственного размера.
- Создавайте конвейеры данных путем сбора, очистки и проверки наборов данных
- реализовывать проектирование, преобразование и выбор функций с помощью TensorFlow Extended
- Установите жизненный цикл данных, используя инструменты метаданных происхождения и происхождения данных, и отслеживайте эволюцию данных с помощью корпоративных схем данных
- Применяйте методы для управления ресурсами моделирования и наилучшего обслуживания автономных / онлайн-запросов на вывод.
- Используйте аналитику для решения проблем справедливости модели, объяснимости и устранения узких мест
- Предоставление конвейеров развертывания для обслуживания моделей, требующих различных инфраструктур.
- Применяйте передовой опыт и прогрессивные методы доставки для поддержания непрерывно работающей производственной системы
Материал на английском языке
Подробнее:
Для просмотра содержимого вам необходимо авторизоваться.
Скачать:
Скрытый контент для пользователей All-dar.