El marco de trabajo de MLOps de 7 pasos de pila completa

El marco de trabajo de MLOps de 7 pasos

Vista previa: Todo lo que debes saber sobre una arquitectura de aprendizaje automático de extremo a extremo en lotes

Foto de Hassan Pasha en Unsplash

Este artículo representa una descripción general de un curso gratuito de 7 lecciones titulado “El marco MLOps de 7 pasos de Full Stack” que te guiará paso a paso sobre cómo diseñar, implementar, entrenar, implementar y monitorear un sistema de aprendizaje automático utilizando prácticas MLOps.

→ Si no quieres hacer el curso, este artículo también funciona como un marco independiente para tener una imagen general de una arquitectura de aprendizaje automático de extremo a extremo en lotes.

En el curso, construirás un sistema de aprendizaje automático por lotes listo para producción para pronosticar los niveles de consumo de energía para las próximas 24 horas en diferentes tipos de consumidores de Dinamarca.

Hoy en día, los certificados están en todas partes. Construir proyectos avanzados de extremo a extremo que puedas mostrar más tarde es la mejor manera de obtener reconocimiento como ingeniero profesional.

Si estás ocupado y quieres revisar rápidamente el plan de estudios de mi curso gratuito, este es el lugar adecuado.

Tabla de contenidos:

  • Introducción al curso
  • Lecciones del curso
  • La arquitectura de lotes
  • El desglose de los 7 pasos
  • ¿Cómo podemos adaptar la arquitectura de lotes a un sistema de aprendizaje automático en línea?
  • Conclusión

Introducción al curso

Al final de este curso de 7 lecciones, sabrás cómo:

  • diseñar una arquitectura de servicio por lotes
  • utilizar Hopsworks como un repositorio de características
  • diseñar un flujo de trabajo de ingeniería de características que lee datos de una API
  • construir un flujo de trabajo de entrenamiento con ajuste de hiperparámetros
  • utilizar W&B como una plataforma de aprendizaje automático para rastrear tus experimentos, modelos y metadatos
  • implementar un flujo de trabajo de predicción por lotes
  • utilizar Poetry para construir tus propios paquetes de Python
  • implementar tu propio servidor privado de PyPi
  • orquestar todo con Airflow

We will continue to update Zepes; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

Inteligencia Artificial

Los modelos base Llama 2 de Meta ahora están disponibles en Amazon SageMaker JumpStart

Hoy, nos complace anunciar que los modelos base Llama 2 desarrollados por Meta están disponibles para los clientes a ...

Inteligencia Artificial

Diferenciación automática con Python y C++ para el aprendizaje profundo

Esta historia explora la diferenciación automática, una característica de los marcos de trabajo modernos de Deep Lear...

Inteligencia Artificial

Investigadores de la Universidad de Boston lanzan la familia Platypus de LLMs afinados para lograr un refinamiento económico, rápido y potente de los LLMs base.

Los Modelos de Lenguaje Grande (LLMs) han causado sensación en el mundo. Estos modelos súper efectivos y eficientes s...

Inteligencia Artificial

Soñar primero, aprender después DECKARD es un enfoque de IA que utiliza LLMs para entrenar agentes de aprendizaje por refuerzo (RL)

El aprendizaje por refuerzo (RL) es un enfoque popular para entrenar agentes autónomos que pueden aprender a realizar...

Inteligencia Artificial

Ex CEO de Google empoderará al ejército de Estados Unidos con IA y el Metaverso

El futuro del ejército de los Estados Unidos está a punto de experimentar una transformación revolucionaria. El cambi...

Inteligencia Artificial

Investigadores de UCL y Google proponen AudioSlots un modelo generativo centrado en slots para la separación de fuentes ciegas en el dominio de audio.

El uso de redes neuronales en arquitecturas que operan en datos estructurados en conjuntos y aprenden a mapear desde ...