Operationalisieren von Machine Learning-Modellen (MLOps)
Auf einen Blick
-
Skill
-
Produkt
Erfahren Sie, wie Sie Machine Learning-Modelle mithilfe des vollständigen MLOps-Lebenszyklus operationalisieren. Dieser Lernpfad umfasst Experimentierungs- und Schulungsmodelle mit Azure Machine Learning, Automatisieren von Modellschulungen mit Pipelines und Hyperparameteroptimierung, Auslösen von Aufträgen mit GitHub-Aktionen, Implementieren einer trunkbasierten Entwicklung, Verwalten von Umgebungen und Bereitstellen von Modellen in der Produktion.
Voraussetzungen
- Programmiererfahrung mit Python oder R
- Erfahrung mit dem Entwickeln und Trainieren von Machine Learning-Modellen
- Vertrautheit mit grundlegenden Azure Machine Learning-Konzepten
Erfolgscode
Möchten Sie einen Erfolgscode beantragen?
Module in diesem Lernpfad
Erfahren Sie, wie Sie das beste Machine Learning-Modell mit automatisiertem maschinellen Lernen (AutoML), MLflow-protokollierten Notizbüchern und dem verantwortungsbewussten KI-Dashboard finden.
Erfahren Sie, wie Sie Hyperparameter-Tuning mit einem Sweep-Job in Azure Machine Learning durchführen.
Erfahren Sie, wie Sie Komponenten erstellen und verwenden, um die Pipeline in Azure Machine Learning zu erstellen. Führen Sie Azure Machine Learning-Pipelines aus, und planen Sie sie, um Machine Learning-Workflows zu automatisieren.
Hier erfahren Sie, wie Sie Ihre Workflows für maschinelles Lernen mithilfe von GitHub Actions automatisieren.
Hier erfahren Sie, wie Sie Ihren Mainbranch schützen und Aufgaben im Machine Learning-Workflow basierend auf Änderungen am Code auslösen.
Hier erfahren Sie, wie Sie ein Machine Learning-Modell trainieren, testen und bereitstellen, indem Sie Umgebungen als Teil Ihrer MLOps-Strategie (Machine Learning Operations) verwenden.
Hier erfahren Sie, wie Sie die Modellbereitstellung mit GitHub Actions und der Azure Machine Learning CLI (v2) automatisieren und testen.