Изображение, созданное автором — Источник PDF здесь
Всякий раз, когда я смотрю, чтобы выучить новую тему, я создаю некоторую форму обучения. Существует так много контента, что может быть трудно подходить к обучению в современной эпоху.
Это почти смешно. У нас есть так много доступа к знаниям, что многие из нас борются, чтобы узнать, потому что мы не знаем, куда идти.
Вот почему я собрал дорожные карты и планы обучения.
Ниже приведены мой план обучения MLOPS, которые я буду принимать в течение следующих нескольких месяцев.
В центре внимания будет сначала проводит быстрый переподготовки в ML, а также продвинул продвинутый курс Kubernetes.
Оттуда я буду сосредоточен на Kubeflow, Azure ML и Datarobot.
Фон MLOPS.
В 2014 году группа исследователей Google выпустила бумагу под названием * Машинное обучение: Высокая процентная кредитная карта технического долга. * Эта статья указывала на растущую проблему, которую многие компании могли игнорировать.
Используя рамки технической задолженности, отметим, что удивительно легко придерживаться массовых текущих текущих затрат на техническое обслуживание на уровне системы при нанесении обучения машины. [ Д. Скулье, Гэри Холт и т. Д. Несомненно
Другой способ, которым исследователи ставят это в последующую презентацию, заключалась в том, что запуск ракеты было легко, но продолжающиеся операции впоследствии было сложно. Тогда концепция DevOps все еще пошла в свою собственную, но эти инженеры и исследователи поняли, что было многое более осложнений с точки зрения развертывания модели обучения машины против развертывания кода.
Это когда популярность машиноводных платформ начала расти. В конце концов, многие из этих платформ приняли термин MLOPS, чтобы объяснить услугу, которую они предоставляют.
Это просит вопрос. Что такое MLOPS?
Что такое MLOPS?
Операции машинного обучения или MLOPS , помогает упростить управление, логистику и развертывание моделей машинного обучения между операционными командами и исследователями машинного обучения.
С наивной точки зрения это просто девопс, применяемый к области машинного обучения.
Но MLOPS на самом деле нужно управлять намного больше, чем о том, что обычно удается.
Как и DEVOPS, MLOPS управляет автоматическим развертыванием, конфигурацией, мониторингом, управлением ресурсами и тестированием и отладкой.
Возможный машинный трубопровод может выглядеть как изображение ниже.
Изображение, созданное автором
В отличие от DEVOPS, MLOPS также может потребоваться рассмотреть возможность проверки данных, анализа моделей и повторной проверки, управление метаданными, функцию инженерии и самого кода ML.
Но в конце дня цель MLOPS очень похожа. Целью MLOPS состоит в том, чтобы создать постоянное разработка трубопроводов для моделей машинного обучения.
Трубопровод, который быстро позволяет ученым и инженерам ученых и машин для развертывания, тестирования и мониторинга их моделей, чтобы убедиться, что их модели продолжают действовать так, как они ожидают.
MLOPS ROADMAP
Чтобы лучше понять различные инструменты, которые существуют на рынке MLOPS, давайте собрать план быстрого изучения того, что нам следует рассмотреть.
1.data Научно-математический обзор
Мы не можем обойти это.
Математика является основной частью машинного обучения и науки о данных. Так как это было долгое время лично, а также для моих читателей, которые могут быть заинтересованы, вот несколько отличных ресурсов для тех из вас, кто хочет освежить ваш Математические навыки для науки о данных и машинное обучение.
Один курс, который застрял, был статистикой Джона Хопкинса для науки о данных. В частности, я заинтересован в Статистический вывод только потому, что это имело тенденцию быть более интересными курсами.
Наука данных: статистика и машинное обучение
Далее многие из вас могут предпочесть чтение о вашей математике по сравнению с курсами. Вот где приходит практическая статистика для ученых данных. Когда я должен получить подписку O’Reilly, но сейчас я собираюсь купить практическую книгу статистики.
В частности, O’Reilly имеет тенденцию быть написанным профессионалами. Поэтому я с нетерпением жду фактических случаев использования для прикладных научно-технических наук.
Практическая статистика для ученых данных: 50+ основных концепций, использующих R и Python
2. Обзор машин обучения и развертывания моделей Вручную
Перед погружением в Mlops. Давайте рассмотрим машинное обучение и как развернуть модели обучения машин с Docker.
Это поможет нам сравнить некоторые будущие курсы на следующих шагах, потому что мы можем видеть несколько способов развертывания моделей машинного обучения.
В частности, я нашел курс под названием «Развертывание машины обучения и модели NLP с Docker». Поскольку это один из способов развертывания моделей машинного обучения, он будет играть на большой базовый уровень.
Развертывание моделей обучения машины и NLP с Dockers (DevOps)
3. Кубернеты
Kubernetes – это открытый источник Контейнерная оркестровка Платформа. Использование Kubernetes позволяет разработчикам автоматизировать ручные процессы, связанные с развертыванием, управлением и масштабированием приложений.
Другими словами, вы можете кластеризовать группы хостов, использующих контейнеры Linux, и Kubernetes вам легко и эффективно управлять этими кластерами.
Так что начать дайвинг в Куберане, я собираюсь копать в
FreeCodeCamp.
три часа курса. Один, он предоставит большое содержание. Два, FreeCodeCamp, как правило, делает большую работу по достижению всего, что вам нужно знать, что конденсировано в быстром часовом курсе.
Узнайте Kubernetes в течение 3 часов: подробное руководство по оркестровым контейнерам
После того, как вы закончите проходить через трехчасовой курс Kubernetes FreeCodeCamp, вы можете теперь погрузиться в продвинутые кубераты. Этот курс будет охватывать журнал с использованием Elasticsearch, Kibana, Fluentd и Logtrail, упаковки с использованием Helm, развертывающую на Kubernetes, используя Spinnaker и многое другое.
Узнайте DevOps: Usded Usage Kubernetes
4. Kubeflow
Kubeflow – это платформа обучения машины, которая управляет развертыванием рабочих процессов ML на Куберане. Лучшая часть Kubeflow заключается в том, что она предлагает масштабируемое и портативное решение.
Эта платформа лучше всего работает для ученых данных, которые хотят построить и экспериментировать с их трубопроводами данных. Kubeflow также отлично подходит для развертывания систем обучения машин в различных средах, чтобы провести тестирование, разработку и обслуживание на уровне производства.
Kubeflow был запущен в качестве платформы с открытым исходным кодом для запуска Tensorflow. Таким образом, оно началось как способ запускания рабочих мест Tensorflow через Kubernetes, но с тех пор расширена, чтобы стать многоулавным, мульти-архитектурным каркасом, которая проводит целые ML трубопроводы. С Kubeflow данные ученые не нужно изучать новые платформы или концепции, чтобы развернуть их приложение или иметь дело с сетевыми сертификатами и т. Д. Они могут развернуть их приложения, просто как на Tensorboard.
Узнать больше о Kubeflow
Чтобы начать узнать о Kubeflow, давайте начнем с учета курса Google, который они сосредоточены на развертывании моделей машинного обучения. Теперь этот курс имеет только один раздел, посвященный KubeFlow, но, надеюсь, это будет достаточно.
Smart Analytics, Машинное обучение и AI на GCP
Если курс Google нет, то
Амина А Статья о том, как начать с Kubeflow, должна помочь округнуть его. В статье они проходят несколько других ресурсов, которые стоит копаться. Поэтому я с нетерпением жду анализа всех этих предметов контента.
Как начать с Kubeflow
5.azure ML.
Обучение Azure Machine (Azure ML) – это облачное обслуживание для создания и управления решениями для изучения машин. Это комбинация обоих SDK, а также предлагает веб-портал в Azure Machine Machine для изучения низкого кода и без кодов для модельной подготовки, развертывания и управления активами.
Теперь достаточно маркетинга. Мне интересно подход к низкому решению, что некоторые предложения Azure ML.
Один из первых инструментов, которые я узнал, был SSIS, который имеет похоже. Это решение автоматизации перетаскивания. Очевидно, что фокус больше на ETL и трубопроводах данных. Так куда я должен начать?
Для начала я всегда пытаюсь найти курсы, которые поддерживаются или разработаны фактической компанией.
У Microsoft есть курс, который предназначен для подготовки к сертификации под названием AI-900: Microsoft Azure AI Condentals.
Цель этого курса состоит в том, чтобы научить основные концепции и навыки, которые оцениваются в условиях экзамена об экзаменах AI. Кажется, они охватывают автоматизированное изучение машины, которые предлагает Azure, а также регрессию, классификацию и кластеризацию.
В конце концов, будет интересно посмотреть, как они развертывают эти модели.
Машинное оборудование Microsoft Azure
Наконец, я обычно люблю собирать несколько статей, чтобы увидеть, что делают другие люди и создатели. В этом случае я пойму, как топливо использовал Azure ML для прогнозирования цен на газ.
Учебник Azure: прогнозируя цены на газ с использованием студии обучения Azure Machine
6.датаробот
DataRobot Инструмент автоматизации AI, который позволяет ученым для данных автоматизировать сквозной процесс для развертывания, обслуживания или построения AI в масштабе. Эта структура питается питание от алгоритмов открытого исходного кода, которые не только доступны на облаке, но и на месте. DataRobot позволяет пользователям легко и быстро расширять возможности своих приложений AI всего за десять шагов. Эта платформа включает в себя модели включения, которые сосредоточены на доставке стоимости.
DataRobot не только работает для ученых данных, но и не технические люди, которые хотят поддерживать AI без необходимости изучения традиционных методов науки о данных. Таким образом, вместо того, чтобы потратить множество моделей разрабатываний или тестирования машин, ученые, ученые теперь могут автоматизировать процесс с DataRobot.
Лучшая часть этой платформы – это ее вездесущая природа. Вы можете получить доступ к DataRobot в любом месте через любое устройство несколькими способами в соответствии с потребностями вашего бизнеса.
Mlops Starter Quest.
В этом курсе фокус будет предоставлен основу для использования MLOPS. Но на данный момент я предполагаю, я уже знаю это. Поэтому я действительно надеюсь, что Datarobot может обеспечить намного больше, чем просто некоторые основы о MLOPS.
В частности, я надеюсь, что он охватывает, как на самом деле использовать Datarobot.
Это, похоже, охватывается больше во втором курсе, которое охватывает, как развернуть модели Automal DataRobot с MLOPS. Вы узнаете о различных вариантах развертывания, наряду с тем, как различные компоненты в MLOPS могут использоваться для развертывания, мониторинга, управления и управления моделями.
Я дам тебе знать!
Mlops Starter Quest.
Датароботы Белая бумага
Datarobot также собрал большой PDF, который, кажется, охватывает достойную сумму с точки зрения того, как лучше всего использовать сам DataRobot.
Датаробот Белая бумага
Кроме того, я могу затем конденсироваться до интересного одного пейджера.
7. Следующие шаги — Машинное обучение и MLOPS
Я предвидел Mlops действительно собирать в следующем, возможно, 2–3 года.
Да, если вы находитесь в пространстве данных, вы, вероятно, уже знаете концепцию. Тем не менее, я чувствую, что есть приличное время, прежде чем усыновление в крупных компаниях начинает наращивать.
Есть несколько компаний, которые я столкнулся с тем, кто смотрит в эти инструменты. В целом большинство все еще пытаются управлять своими данными. Вот почему вы можете предпочесть Узнать больше о данных Техника против MLOPS.
Удачи в вашем путешествии!
** Некоторые ссылки на этой странице являются партнерскими ссылками
Читать/смотреть эти следующие
- Научно-исследовательское научно-исследовательское руководство \ 121 Ресурсы, чтобы помочь вам приземлиться на работу науки о данных
- Как я пошел от аналитика для инженера данных \ Как стать инженером данных — и знать, если это подходит для вас
- Как начать консалтинговый бизнес как консультант \ Получение вашего первого клиента
✉️. Подписаться на мой список рассылки для обновлений и бесплатных сообществ
Мне
Я провел свою карьеру, сосредоточенную на всех формах данных. Я сосредоточил внимание на разработке алгоритмов для выявления мошенничества, уменьшают политику Readmission и Redesign ProtiCer, чтобы помочь снизить общую стоимость здравоохранения. Я также помог разработать аналитику для маркетинга и операций ИТ для оптимизации ограниченных ресурсов, таких как сотрудники и бюджет. Я в частности консультируюсь о науках и инженерных проблемах по данным и соло, а также с компанией, называемой Acheron Analytics. У меня есть опыт работы с техническими проблемами, а также помогая командам руководства разработать стратегии, чтобы максимизировать свои данные.
Связь со мной в социальной сети
✅ YouTube: https://www.youtube.com/channel/Seattledatataguy \ ✅ Сайт: https://www.theattletedaguy.com/ \ ✅ LinkedIn: https://www.linkedin.com/company/18129251 \ ✅ Личный linkedin: https://www.linkedin.com/in/benjaminrogojan/ \ ✅ Facebook: https://www.facebook.com/seattledatagu y
Оригинал: “https://dev.to/seattledataguy/mlops-and-machine-learning-roadmap-o7p”