Ce cours fait partie de la Spécialisation Machine Learning Engineering for Production (MLOps)

4.8
étoiles
44 évaluations

Laurence Moroney +1 enseignant de plus

4 819 déjà inscrits

Offert par

Spécialisation Machine Learning Engineering for Production (MLOps)deeplearning.ai

À propos de ce cours

140 811 consultations récentes

In the fourth course of Machine Learning Engineering for Production Specialization, you will learn how to deploy ML models and make them available to end-users. You will build scalable and reliable hardware infrastructure to deliver inference requests both in real-time and batch depending on the use case. You will also implement workflow automation and progressive delivery that complies with current MLOps practices to keep your production system running. Additionally,  you will continuously monitor your system to detect model decay, remediate performance drops, and avoid system failures so it can continuously operate at all times.  
Understanding machine learning and deep learning concepts is essential, but if you’re looking to build an effective AI career, you need production engineering capabilities as well. Machine learning engineering for production combines the foundational concepts of machine learning with the functional expertise of modern software development and engineering roles to help you develop production-ready skills.

Week 1: Model Serving Introduction
Week 2: Model Serving Patterns and Infrastructures
Week 3: Model Management and Delivery
Week 4: Model Monitoring and Logging

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Cours 4 sur 4 dans le

Spécialisation Machine Learning Engineering for Production (MLOps)

Niveau avancé

• Some knowledge of AI / deep learning

• Intermediate Python skills

• Experience with any deep learning framework (PyTorch, Keras, or TensorFlow)

Approx. 33 heures pour terminer

Anglais

Sous-titres : Anglais

Compétences que vous acquerrez

TensorFlow ServingModel MonitoringModel RegistriesMachine Learning Operations (MLOps)Generate Data Protection Regulation (GDPR)

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Cours 4 sur 4 dans le

Spécialisation Machine Learning Engineering for Production (MLOps)

Niveau avancé

• Some knowledge of AI / deep learning

• Intermediate Python skills

• Experience with any deep learning framework (PyTorch, Keras, or TensorFlow)

Approx. 33 heures pour terminer

Anglais

Sous-titres : Anglais

Enseignants

Évaluation de l'enseignant

4,81/5 (17 notes)

Laurence Moroney

Instructor

Lead AI Advocate, Google

329 860 étudiants

15 cours

Robert Crowe

Instructor

TensorFlow Developer Engineer, Google

13 826 étudiants

3 cours

Offert par

deeplearning.ai

DeepLearning.AI is an education technology company that develops a global community of AI talent.

Programme du cours : ce que vous apprendrez dans ce cours

Semaine

Semaine 1

5 heures pour terminer

Week 1: Model Serving: Introduction

Learn how to make your ML model available to end-users and optimize the inference process

5 heures pour terminer

7 vidéos (Total 34 min), 5 lectures, 4 quiz

7 vidéos

Course Overview4 min

Introduction to Model Serving6 min

Introduction to Model Serving Infrastructure5 min

Deployment Options3 min

Improving Prediction Latency and Reducing Resource Costs5 min

Creating and deploying models to AI Prediction Platform2 min

Installing TensorFlow Serving6 min

5 lectures

Ungraded Labs - Best Practices5 min

Ungraded Lab - Introduction to Docker20 min

Optional: Build, train, and deploy an XGBoost model on Cloud AI Platform45 min

Ungraded Lab - Tensorflow Serving with Docker20 min

Ungraded Lab - Serve a model with TensorFlow Serving30 min

3 exercices pour s'entraîner

Introduction to Model Serving30 min

Introduction to Model Serving Infrastructure30 min

TensorFlow Serving30 min

Semaine

Semaine 2

10 heures pour terminer

Week 2: Model Serving: Patterns and Infrastructure

Learn how to serve models and deliver batch and real-time inference results by building scalable and reliable infrastructure

10 heures pour terminer

8 vidéos (Total 44 min), 8 lectures, 7 quiz

8 vidéos

Model Serving Architecture4 min

Model Servers: TensorFlow Serving3 min

Model Servers: Other Providers5 min

Scaling Infrastructure10 min

Online Inference6 min

Data Preprocessing4 min

Batch Inference Scenarios5 min

Batch Processing with ETL3 min

8 lectures

Documentation on model servers10 min

Ungraded Lab - Deploy a ML model with FastAPI and Docker1 h

Learn about scaling with boy bands10 min

Explore Kubernetes and KubeFlow10 min

Ungraded Lab: Intro to Kubernetes1h 10min

Ungraded Lab - Latency testing with Docker Compose and Locust45 min

Data preprocessing10 min

Ungraded Lab (Optional): Machine Learning with Apache Beam and TensorFlow45 min

6 exercices pour s'entraîner

Model serving architecture30 min

Scaling Infrastructure30 min

Online Inference30 min

Data Preprocessing30 min

Batch inference scenarios30 min

Batch Processing with ETL30 min

Semaine

Semaine 3

12 heures pour terminer

Week 3: Model Management and Delivery

Learn how to implement ML processes, pipelines, and workflow automation that adhere to modern MLOps practices, which will allow you to manage and audit your projects during their entire lifecycle

12 heures pour terminer

9 vidéos (Total 82 min), 10 lectures, 5 quiz

9 vidéos

Experiment Tracking8 min

Tools for Experiment Tracking7 min

Introduction to MLOps11 min

MLOps Level 0 5 min

MLOps Levels 1&213 min

Developing Components for an Orchestrated Workflow13 min

Managing Model Versions7 min

Continuous Delivery7 min

Progressive Delivery7 min

10 lectures

Experiment Tracking10 min

MLOps Resources10 min

Ungraded Lab: Intro to Kubeflow Pipelines2 h

Architecture for MLOps using TFX, Kubeflow Pipelines, and Cloud Build10 min

Ungraded Lab: Developing TFX Custom Components45 min

Ungraded Lab - Model Versioning with TF Serving40 min

ML Model Management10 min

Ungraded Lab - CI/CD pipelines with GitHub Actions1 h

Continuous Delivery10 min

Progressive Delivery10 min

3 exercices pour s'entraîner

ML Experiments Management and Workflow Automation30 min

MLOps Methodology30 min

Model Management and Deployment Infrastructure30 min

Semaine

Semaine 4

6 heures pour terminer

Week 4: Model Monitoring and Logging

Establish procedures to detect model decay and prevent reduced accuracy in a continuously operating production system

6 heures pour terminer

13 vidéos (Total 66 min), 7 lectures, 4 quiz

13 vidéos

Why Monitoring Matters6 min

Observability in ML4 min

Monitoring Targets in ML4 min

Logging for ML Monitoring7 min

Tracing for ML Systems3 min

What is Model Decay?3 min

Model Decay Detection2 min

Ways to Mitigate Model Decay5 min

Responsible AI5 min

Legal Requirements for Secure and Private AI9 min

Anonymization and Pseudonymisation 4 min

Right to be Forgotten8 min

Specialization recap and farewell1 min

7 lectures

Monitoring Machine Learning Models in Production10 min

Addressing Model Decay10 min

Responsible AI10 min

GDPR and CCPA10 min

Course 4 Optional References10 min

Acknowledgements10 min

Join our DeepLearning.AI Community!10 min

3 exercices pour s'entraîner

Model Monitoring and Logging30 min

Model Decay30 min

GDPR and Privacy30 min

Avis

4.8

12 avis

5 stars
84 %
4 stars
14 %
3 stars
2 %

Meilleurs avis pour DEPLOYING MACHINE LEARNING MODELS IN PRODUCTION

par WH10 sept. 2021

The most practical course for junior MLOPs engineers looking for the best productionization methodologie, and the tools that implement them.

par PR5 oct. 2021

Awesome course with very good instructors . However in instructions in graded google cloud labs could be improved.

Voir tous les avis

À propos du Spécialisation Machine Learning Engineering for Production (MLOps)

Understanding machine learning and deep learning concepts is essential, but if you’re looking to build an effective AI career, you need production engineering capabilities as well.

Effectively deploying machine learning models requires competencies more commonly found in technical fields such as software engineering and DevOps. Machine learning engineering for production combines the foundational concepts of machine learning with the functional expertise of modern software development and engineering roles. The Machine Learning Engineering for Production (MLOps) Specialization covers how to conceptualize, build, and maintain integrated systems that continuously operate in production. In striking contrast with standard machine learning modeling, production systems need to handle relentless evolving data. Moreover, the production system must run non-stop at the minimum cost while producing the maximum performance. In this Specialization, you will learn how to use well-established tools and methodologies for doing all of this effectively and efficiently. In this Specialization, you will become familiar with the capabilities, challenges, and consequences of machine learning engineering in production. By the end, you will be ready to employ your new production-ready skills to participate in the development of leading-edge AI technology to solve real-world problems.

Machine Learning Engineering for Production (MLOps)

Foire Aux Questions

Quand aurai-je accès aux vidéos de cours et aux devoirs ?
L’accès à des vidéos de cours et des devoirs dépend de votre type d’inscription. Si vous suivez un cours en mode auditeur libre, vous pourrez voir la plupart des contenus de cours gratuitement. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter une expérience de certificat, pendant ou après avoir assister au cours en tant qu’auditeur libre. Si vous ne visualisez pas l’option auditeur libre :
Il est possible que le cours ne propose pas d’option auditeur libre. Vous pouvez en revanche accéder à un essai gratuit ou faire une demande d'aide financière.
Le cours propose peut-être « Cours complet, aucun certificat » à la place. Cette option vous permet de voir tous les contenus de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cependant, vous ne pourrez pas acheter une expérience de certificat.
À quoi ai-je droit si je m'abonne à cette Spécialisation ?
Lorsque vous vous inscrivez au cours, vous bénéficiez d'un accès à tous les cours de la Spécialisation, et vous obtenez un Certificat lorsque vous avez réussi. Votre Certificat électronique est alors ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.
Une aide financière est-elle possible ?
Oui, Coursera offre une Aide Financière aux étudiants qui n'ont pas les moyens d'acquitter les frais. Demandez-la en cliquant sur le lien Aide Financière sous le bouton S'inscrire situé à gauche. Vous devrez remplir un formulaire de demande et vous serez averti(e) si elle est acceptée. Vous devrez répéter cette procédure pour chaque cours de la Spécialisation, y compris pour le Projet Final. En savoir plus.

D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.

Deploying Machine Learning Models in Production

À propos de ce cours

Compétences que vous acquerrez