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

4.3
étoiles
452 évaluations

85 %

Robert Crowe

23 064 déjà inscrits

Offert par

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

À propos de ce cours

127 329 consultations récentes

In the second course of Machine Learning Engineering for Production Specialization, you will build data pipelines by gathering, cleaning, and validating datasets and assessing data quality; implement feature engineering, transformation, and selection with TensorFlow Extended and get the most predictive power out of your data; and establish the data lifecycle by leveraging data lineage and provenance metadata tools and follow data evolution with enterprise data schemas.
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: Collecting, Labeling, and Validating data
Week 2: Feature Engineering, Transformation, and Selection
Week 3: Data Journey and Data Storage
Week 4: Advanced Data Labeling Methods, Data Augmentation, and Preprocessing Different Data Types

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 2 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. 22 heures pour terminer

Anglais

Sous-titres : Anglais, Français

Ce que vous allez apprendre

Identify responsible data collection for building a fair ML production system.
Implement feature engineering, transformation, and selection with TensorFlow Extended
Understand the data journey over a production system’s lifecycle and leverage ML metadata and enterprise schemas to address quickly evolving data.

Compétences que vous acquerrez

ML Metadata
Convolutional Neural Network
TensorFlow Extended (TFX)
Data Validation
Data transformation

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 2 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. 22 heures pour terminer

Anglais

Sous-titres : Anglais, Français

Enseignant

Évaluation de l'enseignant

4,21/5 (142 évaluations)

Robert Crowe

Instructor

TensorFlow Developer Engineer, Google

28 477 étudiants

3 cours

Offert par

deeplearning.ai

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

Programme de cours : ce que vous apprendrez dans ce cours

Évaluation du contenu85%(2,398 évaluations)

Semaine

Semaine 1

7 heures pour terminer

Week 1: Collecting, Labeling and Validating Data

This week covers a quick introduction to machine learning production systems. More concretely you will learn about leveraging the TensorFlow Extended (TFX) library to collect, label and validate data to make it production ready.

7 heures pour terminer

12 vidéos (Total 95 min), 3 lectures, 7 quiz

12 vidéos

Specialization overview6 min

Course Overview2 min

Overview11 min

ML Pipelines6 min

Importance of Data8 min

Example Application: Suggesting Runs8 min

Responsible Data: Security, Privacy & Fairness11 min

Case Study: Degraded Model Performance9 min

Data and Concept Change in Production ML5 min

Process Feedback and Human Labeling11 min

Detecting Data Issues7 min

TensorFlow Data Validation6 min

3 lectures

Week 1 Optional References3 min

(Optional)Downloading your Notebook and Refreshing your Workspace

Partial Grading for Assignments2 min

4 exercices pour s'entraîner

Intro to MLEP12 min

Data Collection15 min

Data Labeling5 min

Issues in Training Data10 min

Semaine

Semaine 2

7 heures pour terminer

Week 2: Feature Engineering, Transformation and Selection

Implement feature engineering, transformation, and selection with TensorFlow Extended by encoding structured and unstructured data types and addressing class imbalances

7 heures pour terminer

12 vidéos (Total 86 min), 1 lecture, 5 quiz

12 vidéos

Introduction to Preprocessing5 min

Preprocessing Operations6 min

Feature Engineering Techniques10 min

Feature Crosses3 min

Preprocessing Data at Scale12 min

TensorFlow Transform14 min

Hello World with tf.Transform7 min

Feature Spaces5 min

Feature Selection4 min

Filter Methods6 min

Wrapper Methods5 min

Embedded Methods5 min

1 lecture

Week 2 Optional References3 min

3 exercices pour s'entraîner

Feature Engineering and Preprocessing15 min

Feature Transformation15 min

Feature Selection8 min

Semaine

Semaine 3

5 heures pour terminer

Week 3: Data Journey and Data Storage

Understand the data journey over a production system’s lifecycle and leverage ML metadata and enterprise schemas to address quickly evolving data.

5 heures pour terminer

8 vidéos (Total 42 min), 1 lecture, 5 quiz

Semaine

Semaine 4

4 heures pour terminer

Week 4 (Optional): Advanced Labeling, Augmentation and Data Preprocessing

Combine labeled and unlabeled data to improve ML model accuracy and augment data to diversify your training set.

4 heures pour terminer

6 vidéos (Total 31 min), 5 lectures, 4 quiz

6 vidéos

Semi-supervised Learning4 min

Active Learning4 min

Weak Supervision5 min

Data Augmentation4 min

Time Series8 min

Sensors and Signals3 min

5 lectures

Feature Engineering with Weather Data50 min

Feature Engineering with Accelerometer Data50 min

Week 4 Optional References3 min

Course 2 Optional References3 min

Acknowledegements3 min

3 exercices pour s'entraîner

Advanced Labelling5 min

Data Augmentation5 min

Different Data Types5 min

Avis

4.3

84 avis

5 stars
62,70 %
4 stars
19,75 %
3 stars
10,08 %
2 stars
5,24 %
1 star
2,21 %

Meilleurs avis pour MACHINE LEARNING DATA LIFECYCLE IN PRODUCTION

par SC2 juil. 2021

Interesting material. There are quite a lot of typos and many code snippets are directly from the tfx manual pages however the instructions provided and logic of the course is clear.

par HK4 août 2021

It will be more interesting if unstructured data such as image, audio, ... is used more in the course.

par WH7 sept. 2021

You can immediately apply everything you learn in this course!

par SS12 oct. 2021

The course is exciting. Lab and exercises are informative, but the answer to the quizzes are a little ambiguous.

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. Dans certains programmes d’apprentissage, vous pouvez demander une aide financière ou une bourse d’études si vous ne pouvez pas payer les frais d’inscription. Si une aide financière ou une bourse d’études est disponible pour le programme d’apprentissage choisi, vous trouverez un lien pour faire une demande sur la page de description.

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

Machine Learning Data Lifecycle in Production