List of topics
MLOps
Chi tiết vị trí kỹ sư MLOps
Nền tảng cần cho lớp học
Dự án mẫu
Development - Thu thập dữ liệu
Development - Xử lý dữ liệu
Development - Pytorch nền tảng
Deployment - Model Optimization
Deployment - ML Run
Deployment - MLFlow
Model Operations
MLOps
Khái niệm MLOPs chính là việc kết hợp giữa Machine Learning và Operations trong quá trình phát triển và triển khai các dự án AI, giúp tối ưu hóa hiệu suất và quản lý mô hình Machine Learning một cách hiệu quả.
Cùng khám phá các công nghệ tiên tiến như AutoML, Kubernetes và các công cụ quản lý dữ liệu để xây dựng hệ thống MLOps mạnh mẽ và linh hoạt.
1. Khái niệm MLOPs
1.1. Giới thiệu về MLOps
Khái niệm MLOps
Các thành phần chính
1.2. Các bước trong vòng đời MLOps
1.3. Quá trình Exploratory Data Analysis bao gồm?
Click to view more
2. Design - Thiết kế
2.1. Design - Quy trình thiết kế
2.2. Chất lượng dữ liệu
2.3. Vấn đề này là?
Click to view more
2.4. Chỉ số đánh giá
3. Development - Quá trình xử lý dữ liệu
3.1. 3.1 Thu thập dữ liệu
3.2. 3.3 Làm sạch dữ liệu
3.3. 3.4 Khám phá dữ liệu
3.4. 3.5. Lựa chọn và biến đổi dữ liệu
3.5. Sắp xếp thứ tự các bước trong Feature engineering?
Click to view more
4. Development - Quá trình đào tạo
4.1. Development - Quá trình training
4.2. Thử nghiệm học máy
4.3. Lợi ích của việc sử dụng các công cụ để theo dõi thử nghiệm?
Click to view more
4.4. Lợi ích của việc sử dụng các công cụ để theo dõi thử nghiệm?
Click to view more
5. Operations - Triển khai
5.1. Các thành phần chính
5.2. Operations - Triển khai trên server
5.3. Operations - Theo dõi mô hình
6. Các công cụ
6.1. Công cụ xây dựng vòng đời học máy và theo dõi thử nghiệm
7. Nguồn tham khảo thêm
7.1. Một số nguồn best practice làm MLOPs
MLOps: Continuous delivery and automation pipelines in machine learning
1. Khái niệm MLOPs
1.1. Giới thiệu về MLOps
1.2. Các bước trong vòng đời MLOps
1.3. Quá trình Exploratory Data Analysis bao gồm?
2. Design - Thiết kế
2.1. Design - Quy trình thiết kế
2.2. Chất lượng dữ liệu
2.3. Vấn đề này là?
2.4. Chỉ số đánh giá
3. Development - Quá trình xử lý dữ liệu
3.1. 3.1 Thu thập dữ liệu
3.2. 3.3 Làm sạch dữ liệu
3.3. 3.4 Khám phá dữ liệu
3.4. 3.5. Lựa chọn và biến đổi dữ liệu
3.5. Sắp xếp thứ tự các bước trong Feature engineering?
4. Development - Quá trình đào tạo
4.1. Development - Quá trình training
4.2. Thử nghiệm học máy
4.3. Lợi ích của việc sử dụng các công cụ để theo dõi thử nghiệm?
4.4. Lợi ích của việc sử dụng các công cụ để theo dõi thử nghiệm?
5. Operations - Triển khai
5.1. Các thành phần chính
5.2. Operations - Triển khai trên server
5.3. Operations - Theo dõi mô hình
6. Các công cụ
6.1. Công cụ xây dựng vòng đời học máy và theo dõi thử nghiệm
7. Nguồn tham khảo thêm
7.1. Một số nguồn best practice làm MLOPs