Haldusteave
| Ametinimetus | MLOPSi elutsükkel |
| Kestus | 60 |
| Moodul | B |
| Õppetunni liik | Praktiline |
| Keskendumine | Praktiline – organisatsiooniline tehisintellekt |
| Teema | Ülevaade MLOPSi olelusringi lõpust lõpuni |
Võtmesõnad
MLOps, organisatsiooniline tehisintellekt, eetika, disain,
Õpieesmärgid
- MLOPS-ide mõistmine algusest lõpuni
- Andmete allaneelamise mõistmine
- Algoritmide arendamisega tutvumine
- Tutvuge mudeli arendamise ja kasutuselevõtuga
- Pideva järelevalve mõistmine
Eeldatav ettevalmistamine
Õppeüritused, mis tuleb lõpetada enne
Kohustuslik õpilastele
Valikuline õpilastele
- Andmete ettevalmistamine ja haldamine: Enne MLOpsi sukeldumist on kasulik mõista masinõppe protsessi algetappe, eriti andmete kogumist, puhastamist ja eeltöötlust.
- Koolituse ja valideerimise mudel: Arusaam sellest, kuidas mudeleid koolitatakse, valideeritakse ja hinnatakse, annab tugeva aluse MLi operatiivaspektide mõistmiseks.
- Hüperparameetrite häälestamine: Kuigi MLOps kursused ei ole alati põhjalikult kaetud, võib hüperparameetri häälestamise mõistmine olla kasulik, kuna see on mudeli optimeerimise oluline samm.
- MLOPSi tööriistad ja platvormid: Teadmised tööriistadega nagu Kubeflow, Azure ML ja teised võivad anda õpilastele edumaad.
- Dokumentatsiooni tavad ML: Korratavuse ja koostöö tagamiseks on MLOpsis oluline nõuetekohane dokumentatsioon. Heade tavade mõistmine ML dokumentatsioonis võib olla kasulik.
- Karge-DM, CRISP-ML, ML lõuend: Need on metodoloogiad ja raamistikud ML projektijuhtimiseks. Põhiteadmiste omamine võib olla kasulik MLi projektide operatiivsele poolele.
Viited ja taust õpilastele
- Õpilastel soovitatakse tutvuda järgmiste tööriistade ja tehnikatega.
- JupyterNotebooks
- MÄRGUANNE
- Docker
- Paberiveski
- Streamlit
- Shell skriptimine
Soovitatav õpetajatele
- JupyterNotebooks
- MÄRGUANNE
- Docker
- Paberiveski
- Streamlit
- Shell skriptimine
Õppematerjalid
- Palun tutvuge täispaketiga siin RADIX -Practical-Package
Juhised õpetajatele
Sissejuhatus
Enne praktilise MLOpsi kursuse õpetamist on oluline, et õpetajad mõistaksid põhjalikult kursusel nimetatud tööriistu ja tehnoloogiaid. Kursus on üles ehitatud 3-osalise demo ümber, millest igaüks rõhutab erinevat lähenemist MLOpsile. Siin on sammud nende tööriistadega tutvumiseks:
1. Shell (käsitsi) viis
Eesmärk: Mõista Pythoni keskkonna loomise ja Jupyteri märkmiku käitamise põhitõdesid.
Etapid:
Pythoni keskkond: Paigaldage Python oma süsteemi. Lugege, kuidas luua venv või conda abil virtuaalne keskkond. Keskkonna aktiveerimine ja deaktiveerimine.
Pakendi paigaldus: Mõista nõuete.txt-faili struktuuri ja eesmärki. Harjutage pakkide paigaldamist pip install -r requirements.txt.
Jupyter sülearvuti: Installige Jupyter sülearvuti. Õpi Jupyteri serveri käivitamise põhitõed. Harjutage märkmike loomist, käivitamist ja salvestamist.
Streamlit Server: Mõista Streamliti eesmärki ja seda, kuidas seda saab kasutada veebirakenduste loomiseks. Harjutage Jupyteri märkmikust loodud artefaktide kasutamist Streamlit rakenduses.
Kaalutlused: Mõista selle lähenemisviisi eeliseid, näiteks alusteadmiste loomist ja esialgset prototüüpimist. Olge teadlikud selle piirangutest, nagu võimalik segadus, teadmussiirde probleemid ja raskused seadistuste kopeerimisel.
2. Docker + Make (pärand) viis
Eesmärk: Mõistke konteinervedude ja automatiseerimise kontseptsioone Dockeri ja Make’i abil.
Etapid:
Docker: Paigaldage Docker oma süsteemi. Mõistke Dockerfile’i struktuuri ja eesmärki. Harjutage Dockeri piltide ja jooksvate konteinerite ehitamist. Tutvuge tavaliste Dockeri käskudega.
Makefile:Understand eesmärk Makefile automatiseerida ülesandeid. Õppige Makefile’i põhisüntaksit. Harjutage kirjutamist ja lihtsate käskude täitmist.
Kaalutlused: Mõista selle lähenemisviisi eeliseid, näiteks reprodutseeritavust. Tunnustage selle piiranguid, nagu vajadus projektide replikatsiooni järele, konteksti vahetamine ja keskendumine kujutistele artefaktide üle.
3. Radix (kompositsiooniline) viis
Eesmärk: Sukelduge täiustatud MLOps tavadesse, kasutades kompositsioonilisi töövooge.
Etapid:
Paberiveski: Mõista paberveski eesmärki Jupyteri märkmike parameetristamisel ja täitmisel. Paberiveskiga märkmike loomine ja käitamine. Uurige olemasolevaid pakette või kaaluge lihtsate pakettide loomist.
Streamlit (täiustatud): Sukelduge edasi arenenud Streamlit funktsioonidesse. Uurige olemasolevaid pakette või kaaluge lihtsate pakettide loomist.
Töövoo loomine: Mõista MLOpsi kompositsiooniliste töövoogude kontseptsiooni. Praktika luua töövooge, mis kasutavad Papermilli ja Streamlit pakette.
Kaalutlused: Mõista selle lähenemisviisi eeliseid, näiteks reprodutseeritavust, lihtsat parameetriseerimist, valideerimist ja komposeeritavust. Olge teadlik selle piirangutest, nagu verejooksu serval olemine ja võimalikud lüngad dokumentatsioonis.
Järeldus
Järgides neid samme, õpetajad on hästi varustatud, et pakkuda praktilist MLOps muidugi tõhusalt. Oluline on mõista mitte ainult tehnilisi aspekte, vaid ka iga lähenemisviisi valimise põhjuseid. See võimaldab õpetajatel anda õpilastele põhjalikku arusaamist MLOPSi tavadest.
Kontuur
| Kestus (Min) | Kirjeldus |
|---|---|
| 30 | Manuaalne viis – Shell Scripting |
| 30 | Docker + Make (pärand) viis |
| 30 | Radix (koostis) viis |
| 30 | Tööaja, tööriistade ja jõudlusega seotud kaalutlused |
| 10 | Tulemuste kokkuvõte ja hindamine |
Tunnustused
Tarry Singh. (Real AI B.V., Assen, Madalmaad) https://realai.eu
Inimkeskse tehisintellekti magistriprogrammi kaasfinantseeris Euroopa Liidu Ühendamise Rahastu toetusega CEF-TC-2020–1 „Digioskused 2020“-EU-IA-0068.