[această pagină pe wiki][indice][EN][BG][CS][DA][DE][EL][ES][ET][FI][FR][GA][HR][HU][IT][MT][NL][PL][PT][RO][SK][SL][SV]

Practică: Ciclul de viață ml-Ops

Informații administrative

Titlu Ciclul de viață MLOps
Durată 60
Modulul B
Tipul lecției Practică
Focalizare Practică – IA organizațională
Subiect Prezentare generală de la un capăt la altul a ciclului de viață al MLOps

Cuvinte cheie

MLOps,IA organizațională, etică, proiectare,

Obiective de învățare

Pregătirea preconizată

Evenimente de învățare care urmează să fie finalizate înainte

Opțional pentru studenți

  • Pregătirea și gestionarea datelor: Înainte de scufundarea în MLOps, este benefic să înțelegeți fazele inițiale ale procesului de învățare automată, în special colectarea datelor, curățarea și preprocesarea.
  • Model de formare și validare: Înțelegerea modului în care modelele sunt instruite, validate și evaluate va oferi o bază solidă pentru înțelegerea aspectelor operaționale ale ML.
  • Reglarea hiperparametrului: Deși nu este întotdeauna acoperită în profunzime în cursurile MLOps, înțelegerea tuningului hiperparametrului poate fi benefică, deoarece este un pas crucial în optimizarea modelului.
  • Instrumente și platforme MLOps: Familiarizarea cu instrumente precum Kubeflow, Azure ML și altele pot oferi studenților un avans.
  • Practici de documentare în ML: Documentația adecvată este esențială în MLOps pentru reproductibilitate și colaborare. Înțelegerea celor mai bune practici în documentația ML poate fi avantajoasă.
  • Crisp-DM, CRISP-ML, ML Canvas: Acestea sunt metodologii și cadre pentru managementul proiectelor ML. Înțelegerea de bază poate fi benefică pentru partea operațională a proiectelor ML.

Referințe și context pentru studenți

Recomandat pentru profesori

  • JupyterNotebooks
  • TAC
  • Docker
  • Moară de hârtie
  • Streamlit
  • Scrierea în coajă

Materiale de lecție

Instrucțiuni pentru profesori

Introducere

Înainte de a preda cursul practic MLOps, este esențial ca profesorii să aibă o înțelegere profundă a instrumentelor și tehnologiilor menționate în schița cursului. Cursul este structurat în jurul unui demo în 3 părți, fiecare subliniind o abordare diferită a MLOps. Iată pașii pentru a vă familiariza cu aceste instrumente:

1. Calea Shell (manuală)

Obiectiv: Înțelegeți elementele de bază ale configurării unui mediu Python și ale funcționării unui notebook Jupyter.

Etape:

Mediul Python: Instalați Python pe sistemul dvs. Aflați cum să creați un mediu virtual folosind venv sau conda. Practică activarea și dezactivarea mediului.

Instalarea pachetului: Înțelegeți structura și scopul unui fișier requirements.txt. Practicați instalarea pachetelor utilizând pip install -r requirements.txt.

Jupyter Notebook: Instalați Notebook-ul Jupyter. Aflați elementele de bază ale pornirii unui server Jupyter. Practicați crearea, rularea și salvarea notebook-urilor.

Server Streamlit: Înțelegeți scopul Streamlit și modul în care poate fi utilizat pentru a crea aplicații web. Practicați utilizarea artefactelor generate de un notebook Jupyter într-o aplicație Streamlit.

Considerații: Înțelegeți beneficiile acestei abordări, cum ar fi construirea de cunoștințe fundamentale și prototipuri inițiale. Fiți conștienți de limitările sale, cum ar fi potențiala mizerie, provocările în transferul de cunoștințe și dificultățile în replicarea configurațiilor.

2. Modul Docker + Make (moștenire)

Obiectiv: Înțelegeți conceptele de containerizare și automatizare folosind Docker and Make.

Etape:

Docker: Instalați Docker pe sistemul dvs. Înțelegeți structura și scopul unui Dockerfile. Practica construirea de imagini Docker și containere de funcționare. Familiarizați-vă cu comenzile Docker comune.

Makefile:Înțelegeți scopul unui Makefile în automatizarea sarcinilor. Aflați sintaxa de bază a unui Makefile. Practicați scrierea și executarea simplă Faceți comenzi.

Considerații: Înțelegeți beneficiile acestei abordări, cum ar fi reproductibilitatea. Recunoașteți limitările sale, cum ar fi nevoia de replicare în cadrul proiectelor, schimbarea contextului și concentrarea pe imagini peste artefacte.

3. Calea Radix (compozițională)

Obiectiv: Scufundați-vă în practicile avansate MLOps utilizând fluxuri de lucru compoziționale.

Etape:

Moară de hârtie: Înțelegeți scopul Papermill în parametrizarea și executarea notebook-urilor Jupyter. Practicați crearea și rularea notebook-urilor cu Papermill. Explorați pachetele disponibile sau luați în considerare crearea unuia simplu.

Streamlit (avansat): Scufundați-vă mai adânc în funcționalitățile avansate Streamlit. Explorați pachetele disponibile sau luați în considerare crearea unuia simplu.

Crearea fluxului de lucru: Înțelegeți conceptul de fluxuri de lucru compoziționale în MLOps. Practicați crearea de fluxuri de lucru care utilizează pachetele Papermill și Streamlit.

Considerații: Înțelegeți beneficiile acestei abordări, cum ar fi reproductibilitatea, parametrizarea ușoară, validarea și composabilitatea. Fiți conștienți de limitările sale, cum ar fi să fiți pe marginea sângerării și eventualele lacune în documentație.

Concluzie

Urmând acești pași, profesorii vor fi bine echipați pentru a livra cursul practic MLOps în mod eficient. Este esențial să înțelegem nu numai aspectele tehnice, ci și motivele care stau la baza alegerii fiecărei abordări. Acest lucru va permite profesorilor să ofere studenților o înțelegere cuprinzătoare a practicilor MLOps.

Contur

Schiță/program de timp
Durată (min) Descriere
30 Calea manuală – Shell Scripting
30 Modul Docker + Make (Moștenire)
30 Calea Radix (compozițională)
30 Considerații privind timpul de funcționare, instrumentele și performanța
10 Sintetizează și evaluează rezultatele

Confirmări

Starry Singh. (Real AI B.V., Assen, Țările de Jos) https://realai.eu

Programul de masterat AI centrat pe om a fost cofinantat de Mecanismul pentru interconectarea Europei al Uniunii Europene sub Grantul CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.