[тази страница в уики][индекс][EN][BG][CS][DA][DE][EL][ES][ET][FI][FR][GA][HR][HU][IT][MT][NL][PL][PT][RO][SK][SL][SV]

Практически: Жизнен цикъл на ml-Ops

Административна информация

Дял Жизнен цикъл на MLOps
Продължителност 60
Модул Б
Вид на урока Практичен
Фокус Практически — Организационен ИИ
Тема Преглед от край до край на жизнения цикъл на MLOps

Ключови думи

MLOps, организационен ИИ, етичен, дизайн,

Учебни цели

Очаквана подготовка

Обучение на събития, които трябва да бъдат завършени преди

Незадължително за студенти

  • Подготовка и управление на данните: Преди да се гмуркате в MLOps, е полезно да разберете началните фази на процеса на машинно обучение, особено събирането на данни, почистването и предварителната обработка.
  • Модел на обучение и валидиране: Разбирането на това как моделите се обучават, валидират и оценяват ще осигури солидна основа за разбиране на оперативните аспекти на ML.
  • Тунинг на хиперпараметъра: Въпреки че не винаги е покрита в дълбочина в курсовете MLOps, разбирането на настройката на хиперпараметъра може да бъде от полза, тъй като това е решаваща стъпка в оптимизирането на модела.
  • Инструменти и платформи за MLOps: Познаването на инструменти като Kubeflow, Azure ML и други могат да дадат на учениците преднина.
  • Документиране на практики в ML: Правилната документация е от съществено значение в MLOps за възпроизводимост и сътрудничество. Разбирането на най-добрите практики в документацията за ML може да бъде изгодно.
  • Хрупкаво-DM, CRISP-ML, ML платно: Това са методологии и рамки за управление на ML проекти. Наличието на основно разбиране може да бъде от полза за оперативната страна на проектите за ML.

Референции и фон за студенти

Препоръчва се за учители

  • JupyterNotebooks
  • РЕПЛИКА
  • Докър
  • Хартиена мелница
  • Стриймлит
  • Скриптиране на Shell

Материали за уроци

Инструкции за учители

Въведение

Преди да преподавате практическия курс MLOps, е от съществено значение учителите да имат задълбочено разбиране на инструментите и технологиите, споменати в очертанията на курса. Курсът е структуриран около три части демо, всяка от които подчертава различен подход към MLOps. Ето стъпките, за да се запознаете с тези инструменти:

1. Черупката (ръчно)

Цел: Разберете основите на създаването на Python среда и изпълнението на Jupyter бележник.

Стъпки:

Python Environment: Инсталирайте Python на вашата система. Научете как да създадете виртуална среда с помощта на venv или conda. Практикувайте активиране и деактивиране на околната среда.

Инсталация на опаковката: Разберете структурата и целта на файла.txt. Практикувайте инсталирането на пакети с помощта на Pip инсталиране -r requirements.txt.

Jupyter Notebook: Инсталиране на Jupyter Notebook. Научете основите на стартирането на Jupyter сървър. Практикувайте създаване, изпълнение и запазване на преносими компютри.

Streamlit Server: Разберете целта на Streamlit и как тя може да се използва за създаване на уеб приложения. Практикувайте използването на артефакти, генерирани от Jupyter бележник в приложение Streamlit.

Съображения: Разберете ползите от този подход, като изграждане на основополагащи знания и първоначално създаване на прототипи. Бъдете наясно с неговите ограничения, като потенциалната бъркотия, предизвикателствата при трансфера на знания и трудностите при възпроизвеждането на настройки.

2. Docker + Make (Наследство) начин

Цел: Разберете концепциите за контейнеризация и автоматизация с помощта на Docker and Make.

Стъпки:

Докер: Инсталирайте Docker на вашата система. Разберете структурата и целта на Dockerfile. Практика изграждане на Docker изображения и движещи се контейнери. Запознайте се с общите команди на Докър.

Makefile: Разберете целта на Makefile в автоматизирането на задачи. Научете основния синтаксис на Makefile. Практикувайте писане и изпълнение на прости команди.

Съображения: Разберете ползите от този подход, като например възпроизводимостта. Разпознайте неговите ограничения, като необходимостта от репликация в различни проекти, превключване на контекста и фокус върху изображенията над артефакти.

3. Радикс (композиционен) начин

Цел: Потопете се в усъвършенствани практики на MLOps, използвайки композиционни работни потоци.

Стъпки:

Хартиена мелница: Разберете целта на Papermill при параметризирането и изпълнението на Jupyter преносими компютри. Практика създаване и пускане на тетрадки с Papermill. Разгледайте наличните пакети или обмислете създаването на прост.

Streamlit (Advanced): Потопете се по-дълбоко в усъвършенстваните функции на Streamlit. Разгледайте наличните пакети или обмислете създаването на прост.

Създаване на работен процес: Разбиране на концепцията за композиционни работни потоци в MLOps. Практика създаване на работни потоци, които използват пакетите Papermill и Streamlit.

Съображения: Разберете ползите от този подход, като възпроизводимост, лесна параметризация, валидиране и композируемост. Бъдете наясно с неговите ограничения, като например да сте на ръба на кървенето и потенциалните пропуски в документацията.

Извод

Следвайки тези стъпки, учителите ще бъдат добре подготвени за ефективно изпълнение на практическия курс MLOps. Важно е не само да се разберат техническите аспекти, но и основните причини за избора на всеки подход. Това ще даде възможност на учителите да предоставят на учениците цялостно разбиране на практиките на MLOps.

Очертаване

Описание/времеви график
Продължителност (минимум) Описание
30 Наръчникът — Shell Scripting
30 Docker + Make (Наследство) начин
30 Радикс (композиционен) начин
30 Време за изпълнение, Инструменти и производителност съображения
10 Обобщаване и оценка на резултатите

Потвърждения

Чакай Сингх. (Реален AI B.V., Асен, Нидерландия) https://realai.eu

Магистърската програма по ИИ, насочена към човека, беше съфинансирана от Механизма за свързване на Европа на Европейския съюз под формата на безвъзмездни средства № CEF-TC-2020—1 Digital Skills 2020-EU-IA-0068.