機械学習モデルの運用化 (MLOps)

  • ラーニング パス
  • 7 モジュール

概略

MLOps ライフサイクル全体を使用して機械学習モデルを運用化する方法について説明します。 このラーニング パスでは、Azure Machine Learning を使用したモデルの実験とトレーニング、パイプラインとハイパーパラメーターのチューニングによるモデル トレーニングの自動化、GitHub Actions を使用したジョブのトリガー、トランクベースの開発の実装、環境の管理、運用環境へのモデルのデプロイについて説明します。

前提条件

  • Python または R でのプログラミング経験
  • 機械学習モデルの開発とトレーニングの経験
  • 基本的な Azure Machine Learning の概念に関する知識

このラーニング パス内のモジュール

Azure Machine Learning を試す

自動機械学習 (AutoML)、MLflow 追跡ノートブック、責任ある AI ダッシュボードを使用して、最適な機械学習モデルを見つける方法について説明します。

Azure Machine Learning を使用してハイパーパラメーターのチューニングを実行する

Azure Machine Learning でスイープ ジョブを使用してハイパーパラメーター調整を実行する方法について説明します。

Azure Machine Learning でパイプラインを実行する

コンポーネントを作成して使用して、Azure Machine Learning でパイプラインを構築する方法について説明します。 Azure Machine Learning パイプラインを実行してスケジュールし、機械学習ワークフローを自動化します。

GitHub Actions を使用して Azure Machine Learning のジョブをトリガーする

GitHub Actions を使用して機械学習ワークフローを自動化する方法について説明します。

機能ベースの開発で GitHub Actions をトリガーする

メイン ブランチを保護する方法と、コードに対する変更に基づいて機械学習ワークフローでタスクをトリガーする方法について説明します。

GitHub Actions で環境を操作する

機械学習運用 (MLOps) 戦略の一環として環境を使用して、機械学習モデルをトレーニングし、テストし、デプロイする方法について学習します。

GitHub Actions を使用してモデルをデプロイする

GitHub Actions と Azure Machine Learning CLI (v2) を使用してモデル デプロイを自動化およびテストする方法について学習します。

開始