- mlops-zoomcamp
- youtube courses
- Learn MLOps principles and take your projects from the notebook to production in 9 weeks
目录
- 第 1 周：简介和先决条件
- 第 2 周：实验跟踪和模型管理
- 第 3 周：编排和 ML 管道
- 第 4 周：模型部署
- 第 5 周：模型监控
- 第 6 周：最佳实践
- 第 7、8、9 周：项目
第 1 周：简介和先决条件
- 技术：Docker、AWS
- 重点：第 1 周致力于设置您将在整个课程中使用的关键工具和技术，并向您介绍 MLOps 的概念以及我们为什么需要使用该概念。
第 2 周：实验跟踪和模型管理
- 技术：MLFlow
- 重点：第 2 周涵盖实验跟踪，以存储和组织有关实验的相关信息。例如，模型的输入数据、源代码、模型架构参数以及相应的输出。
第 3 周：编排和 ML 管道
- 技术：Mage
- 重点：第 3 周的重点是创建用于训练机器学习模型的生产就绪管道。这意味着管道可以以完全自动化的方式轻松复制和重新运行。
第 4 周：模型部署
- 技术：Flask、Docker、MLflow、Mage、AWS Lambda & AWS Kinesis
- 重点：第 4 周向您介绍模型部署的三种方法，并演示如何使用每种方法。
第 5 周：模型监测
- 技术：Prometheus, Evidently AI, and Grafana
- 重点：第 5 周是关于监控机器学习模型，包括服务运行状况、模型性能、数据质量和完整性以及数据漂移和概念漂移。
第 6 周: 最佳实践
- 技术：Python, Docker, Localstack, Github Actions
- 重点：第 6 周总结了最佳实践，例如单元测试、集成测试、检查代码质量以及使用 CI/CD 和 GitHub Actions 进行自动化部署。
第 7/8/9 周: 项目
- 持续时间：2 周用于开发，1 周用于同行评审
- 目标：该项目的重点是应用您获得的技能从头开始构建数据工程管道。完成这个实践项目不仅可以验证您的技能，还可以增强您的作品集，从而在求职中提供竞争优势。
- 同行评审：要完成该项目，您需要评估至少三位同行的项目。如果不这样做，您的项目将被标记为不完整。
项目要求：
- 选择感兴趣的数据集
- 在选定的数据集上训练模型并跟踪您的实验
- 开发模型训练管道
- 以批处理、Web 服务或流格式部署模型
- 监控模型的性能
- 遵守最佳实践