Opérationnaliser des modèles Machine Learning (MLOps)
Aperçu
-
Level
-
Habileté
-
Produit
Suivez un flux de travail MLOps de bout en bout en deux étapes. Tout d’abord, concevez une solution d’entraînement, expérimentez des modèles, suivez l’entraînement avec MLflow et ajustez les hyperparamètres. Ensuite, créez des pipelines, planifiez une solution MLOps, automatisez l’entraînement du modèle avec GitHub Actions, puis déployez et surveillez un modèle.
Prérequis
- Expérience en programmation avec Python ou R
- Expérience en développement et en entraînement de modèles Machine Learning
- Connaissance des concepts Azure Machine Learning de base
Code de réussite
Souhaitez-vous demander un code de réussite ?
Modules de ce parcours d’apprentissage
Choisissez ce module si vous souhaitez concevoir une solution de formation Machine Learning, puis sélectionnez Azure Machine Learning services et calcul.
Choisissez ce module si vous souhaitez comparer des modèles à l’aide du Machine Learning automatisé, de MLflow et du tableau de bord d’IA responsable.
Choisissez ce module si vous souhaitez convertir des notebooks en scripts d’apprentissage, exécuter des travaux de commande et suivre des modèles avec MLflow.
Choisissez ce module si vous souhaitez optimiser l’entraînement du modèle en paramétrant les hyperparamètres avec des travaux de balayage dans Azure Machine Learning.
Choisissez ce module si vous souhaitez automatiser des flux de travail Machine Learning multistep avec des composants réutilisables et des pipelines Azure Machine Learning.
Choisissez ce module si vous souhaitez concevoir une architecture MLOps pour surveiller et réentraîner les modèles de production.
Choisissez ce module si vous souhaitez automatiser et valider l’entraînement de modèle avec GitHub Actions et Azure Machine Learning pipelines.
Choisissez ce module si vous souhaitez inscrire, déployer, surveiller et restaurer des modèles à l’aide de GitHub Actions et d’environnements protégés.