Operationalisera maskininlärningsmodeller (MLOps)

  • Inlärningsväg
  • 7 Moduler

I korthet

Lär dig hur du operationaliserar maskininlärningsmodeller med hela MLOps-livscykeln. Den här utbildningsvägen omfattar experimentering och träningsmodeller med Azure Machine Learning, automatisera modellträning med pipelines och hyperparameterjustering, utlösa jobb med GitHub Actions, implementera trunkbaserad utveckling, hantera miljöer och distribuera modeller till produktion.

Förutsättningar

  • Programmeringsupplevelse med Python eller R
  • Erfarenhet av att utveckla och träna maskininlärningsmodeller
  • Kunskaper om grundläggande Azure Machine Learning-begrepp

Moduler i den här utbildningsvägen

Experimentera med Azure Machine Learning

Lär dig hur du hittar den bästa maskininlärningsmodellen med automatisk maskininlärning (AutoML), MLflow-spårade notebooks och instrumentpanel för Ansvarsfull AI.

Utföra hyperparameterjustering med Azure Machine Learning

Lär dig hur du utför hyperparameterjustering med ett svepjobb i Azure Machine Learning.

Att köra pipelines i Azure Machine Learning

Lär dig hur du skapar och använder komponenter för att skapa pipeline i Azure Machine Learning. Kör och schemalägg Azure Machine Learning-pipelines för att automatisera arbetsflöden för maskininlärning.

Utlösa Azure Machine Learning-jobb med GitHub Actions

Lär dig hur du automatiserar dina maskininlärningsarbetsflöden med hjälp av GitHub Actions.

Utlösa GitHub Actions med funktionsbaserad utveckling

Lär dig hur du skyddar din huvudgren och hur du utlöser uppgifter i maskininlärningsarbetsflödet baserat på ändringar i koden.

Arbeta med miljöer i GitHub Actions

Lär dig hur du tränar, testar och distribuerar en maskininlärningsmodell med hjälp av miljöer som en del av din STRATEGI för maskininlärningsåtgärder (MLOps).

Distribuera en modell med GitHub Actions

Lär dig hur du automatiserar och testar modelldistribution med GitHub Actions och Azure Machine Learning CLI (v2).

Start