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

4.5
étoiles
196 évaluations
•
36 avis

Robert Crowe

10 276 déjà inscrits

Offert par

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

À propos de ce cours

183 026 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. 21 heures pour terminer

Anglais

Sous-titres : Anglais

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 MetadataConvolutional Neural NetworkTensorFlow Extended (TFX)Data ValidationData 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. 21 heures pour terminer

Anglais

Sous-titres : Anglais

Enseignant

Évaluation de l'enseignant

4,31/5 (62 notes)

Robert Crowe

Instructor

TensorFlow Developer Engineer, Google

11 720 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

Évaluation du contenu86%(1,319 notes)

Semaine

Semaine 1

6 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.

6 heures pour terminer

12 vidéos (Total 95 min), 2 lectures, 6 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

2 lectures

Week 1 Optional References3 min

How to Download your Notebook10 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, 4 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, 4 quiz

Semaine

Semaine 4

3 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.

3 heures pour terminer

6 vidéos (Total 31 min), 3 lectures, 3 quiz

Avis

4.5

36 avis

5 stars
67,41 %
4 stars
17,85 %
3 stars
8,92 %
2 stars
5,35 %
1 star
0,44 %

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 WR26 juil. 2021

It's a new course so sometimes there are mistakes in the translations or there is something off in the assignment's grading, but the content is great. :)

par SC20 juil. 2021

Best course for the professionals looking to upgrade there ML skills at production level! Thanks to the brilliant and wonderful course instructor.

par HK4 août 2021

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

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

When will I have access to the lectures and assignments?
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.

Machine Learning Data Lifecycle in Production