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

4.5
étoiles
126 évaluations

Robert Crowe

7 872 déjà inscrits

Offert par

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

À propos de ce cours

93 523 consultations récentes

In the third course of Machine Learning Engineering for Production Specialization, you will build models for different serving environments; implement tools and techniques to effectively manage your modeling resources and best serve offline and online inference requests; and use analytics tools and performance metrics to address model fairness, explainability issues, and mitigate bottlenecks.
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: Neural Architecture Search
Week 2: Model Resource Management Techniques
Week 3: High-Performance Modeling
Week 4: Model Analysis
Week 5: Interpretability

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 3 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. 26 heures pour terminer

Anglais

Sous-titres : Anglais

Ce que vous allez apprendre

Apply techniques to manage modeling resources and best serve batch and real-time inference requests.

Use analytics to address model fairness, explainability issues, and mitigate bottlenecks.

Compétences que vous acquerrez

Explainable AI
Fairness Indicators
automl
Model Performance Analysis
Precomputing Predictions

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 3 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. 26 heures pour terminer

Anglais

Sous-titres : Anglais

Enseignant

Évaluation de l'enseignant

4,5/5 (36 évaluations)

Robert Crowe

Instructor

TensorFlow Developer Engineer, Google

15 666 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

Semaine

Semaine 1

7 heures pour terminer

Week 1: Neural Architecture Search

Learn how to effectively search for the best model that will scale for various serving needs while constraining model complexity and hardware requirements.

7 heures pour terminer

9 vidéos (Total 40 min), 2 lectures, 6 quiz

Semaine

Semaine 2

5 heures pour terminer

Week 2: Model Resource Management Techniques

Learn how to optimize and manage the compute, storage, and I/O resources your model needs in production environments during its entire lifecycle.

5 heures pour terminer

13 vidéos (Total 91 min), 3 lectures, 3 quiz

13 vidéos

Dimensionality Effect on Performance8 min

Curse of Dimensionality9 min

Curse of Dimensionality: an Example4 min

Manual Dimensionality Reduction5 min

Manual Dimensionality Reduction: Case Study7 min

Algorithmic Dimensionality Reduction 2 min

Principal Components Analysis7 min

Other Techniques7 min

Mobile, IoT, and Similar Use Cases 7 min

Benefits and Process of Quantization8 min

Post Training Quantization4 min

Quantization Aware Training4 min

Pruning12 min

3 lectures

Dimensionality Reduction Techniques3 min

Quantization3 min

Pruning3 min

2 exercices pour s'entraîner

Dimensionality Reduction20 min

Quantization and Pruning20 min

Semaine

Semaine 3

5 heures pour terminer

Week 3: High-Performance Modeling

Implement distributed processing and parallelism techniques to make the most of your computational resources for training your models efficiently.

5 heures pour terminer

6 vidéos (Total 57 min), 2 lectures, 4 quiz

6 vidéos

Distributed Training10 min

High-Performance Ingestion11 min

Training Large Models - The Rise of Giant Neural Nets and Parallelism13 min

Teacher and Student Networks3 min

Knowledge Distillation Techniques9 min

Case Study - How to Distill Knowledge for a Q&A Task8 min

2 lectures

High-Performance Modeling5 min

Knowledge Distillation 2 min

2 exercices pour s'entraîner

High-Performance Modeling20 min

Knowledge Distillation 20 min

Semaine

Semaine 4

6 heures pour terminer

Week 4: Model Analysis

Use model performance analysis to debug and remediate your model and measure robustness, fairness, and stability.

6 heures pour terminer

12 vidéos (Total 69 min), 5 lectures, 5 quiz

12 vidéos

Model Performance Analysis7 min

Introduction to TensorFlow Model Analysis6 min

TFMA in Practice3 min

Model Debugging Overview3 min

Benchmark Models1 min

Sensitivity Analysis and Adversarial Attacks9 min

Adversarial Attack Demo4 min

Residual Analysis2 min

Model Remediation4 min

Fairness4 min

Measuring Fairness 5 min

Continuous Evaluation and Monitoring14 min

5 lectures

TensorBoard3 min

TensorFlow Model Analysis3 min

Sensitivity Analysis and Adversarial Attacks3 min

Model Remediation and Fairness5 min

Continuous Evaluation and Monitoring5 min

3 exercices pour s'entraîner

Model Analysis8 min

Model Analysis and Debugging18 min

Continuous Evaluation and Monitoring8 min

Avis

4.5

23 avis

5 stars
71,42 %
4 stars
19,28 %
3 stars
6,42 %
2 stars
2,14 %
1 star
0,71 %

Meilleurs avis pour MACHINE LEARNING MODELING PIPELINES IN PRODUCTION

par AK6 août 2021

Some of the topics were too advanced and instructor assumes that we know those basics. It felt rush through little bit and more of reading slides then explaining at many places

par JS13 sept. 2021

Excellent content and lectures from Mr. Robert . Thank you very much Sir for the excellent way of explaining these difficult topics . Thank you !!!

par MB20 oct. 2021

I enjoyed this course a lot. It gave me a lot of ideas on how I can improve my models and make my workflow more efficient. Thank you.

par MT4 sept. 2021

Outstanding! Exceptionally informative. Makes me look way aheady how to implement ML pipelines, and how to analyze them.

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 Étudiants.

Machine Learning Modeling Pipelines in Production