机器学习模型的部署
了解如何在生产中集成强大且可靠的机器学习管道
讲师：Soledad Galli
口袋资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！
用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。
你将会学到的
- 构建机器学习模型 API 并将模型部署到云端
- 从已部署的机器学习模型发送和接收请求
- 为模型部署设计可测试、版本控制和可重复的生产代码
- 创建持续和自动化的集成来部署您的模型
- 了解最佳的机器学习架构
- 了解可用于生产模型的不同资源
- 识别并缓解将模型投入生产的挑战
要求
- Python 安装
- Git 安装
- 对 Python 编程有信心，包括熟悉 Numpy、Pandas 和 Scikit-learn
- 熟悉 IDE 的使用，例如 Pycharm、Sublime、Spyder 或类似的
- 熟悉编写 Python 脚本并从命令行界面运行它们
- 了解基本的 git 命令，包括克隆、分叉、分支创建和分支签出
- 了解基本的 git 命令，包括 git status、git add、git commit、git pull、git push
- 了解基本 CLI 命令，包括导航文件夹以及从 CLI 使用 Git 和 Python
- 了解线性回归和模型评估指标，例如 MSE 和 R2
说明
欢迎来到机器学习模型的部署，这是迄今为止最全面的机器学习部署在线课程。本课程将向您展示如何将机器学习模型从研究环境转移到完全集成的生产环境。
什么是模型部署？
机器学习模型的部署，或者简单地说，将模型投入生产，意味着使您的模型可供组织或网络内的其他系统使用，以便它们可以接收数据并返回预测。通过部署机器学习模型，您可以开始充分利用您构建的模型。
这门课程适合谁？
- 如果您刚刚构建了第一个机器学习模型，并且想知道如何将它们投入生产或将它们部署到 API 中，
- 如果您在组织内部署了一些模型并希望了解有关模型部署的最佳实践的更多信息，
- 如果您是一位热心的软件开发人员，想要部署完全集成的机器学习管道，
本课程将向您展示如何操作。
你会学到什么？
我们将逐步引导您通过引人入胜的视频教程，教您开始在研究环境中创建模型所需的一切知识，然后将 Jupyter 笔记本转换为生产代码，打包代码并部署到 API ，并添加持续集成和持续交付。我们将讨论可重复性的概念、为什么它很重要，以及如何通过版本控制、代码存储库和 Docker 的使用来最大限度地提高部署过程中的可重复性。我们还将讨论可用于部署机器学习模型的工具和平台。
具体来说，您将学到：
- 典型机器学习流程涉及的步骤
- 数据科学家如何在研究环境中工作
- 如何将 Jupyter Notebook 中的代码转换为生产代码
- 如何编写生产代码，包括测试、日志记录和 OOP 简介
- 如何部署模型并通过 API 提供预测
- 如何创建 Python 包
- 如何部署到实际生产环境中
- 如何使用docker控制软件和模型版本
- 如何添加 CI/CD 层
- 如何确定部署的模型是否再现了在研究环境中创建的模型
在课程结束时，您将全面了解机器学习模型的整个研究、开发和部署生命周期，并了解最佳编码实践以及将模型投入生产时需要考虑的事项。您还将更好地了解可用于部署模型的工具，并且能够在满足组织需求的任何方向上部署模型。
你还应该知道什么？
本课程将帮助您迈出将模型投入生产的第一步。您将学习如何从 Jupyter 笔记本转变为完全部署的机器学习模型，考虑 CI/CD，以及部署到云平台和基础设施。
但是，模型部署还有很多内容，例如模型监控、Kubernetes 的高级部署编排、Airflow 的计划工作流程，以及本课程未涵盖的各种测试范例（例如影子部署）。
想知道更多？继续阅读…
这门关于机器学习模型部署的综合课程包括 100 多个讲座，涵盖约 10 小时的视频，所有主题都包括动手操作的 Python 代码示例，您可以在自己的项目中参考和重复使用。
此外，我们现在在每个部分中都包含了一个作业，您可以在其中重现您所学到的知识来部署新模型。
你还在等什么？立即注册，了解如何将模型投入生产并开始挖掘其真正价值。
此课程面向哪些人：
- 想要部署第一个机器学习模型的数据科学家
- 想要学习最佳实践模型部署的数据科学家
- 想要转向机器学习的软件开发人员
