Diese umfassende Kursreihe ist ideal für Personen mit Programmierkenntnissen wie Softwareentwickler, Datenwissenschaftler und Forscher. Sie erwerben wichtige MLOps-Kenntnisse, darunter die Verwendung von Python und Rust, die Nutzung von GitHub Copilot zur Steigerung der Produktivität und die Nutzung von Plattformen wie Amazon SageMaker, Azure ML und MLflow. Sie werden auch lernen, wie Sie Large Language Models (LLMs) mit Hugging Face feinabstimmen und den Einsatz nachhaltiger und effizienter binär eingebetteter Modelle im ONNX-Format verstehen, damit Sie auf dem sich ständig weiterentwickelnden Gebiet der MLOps erfolgreich sein können
In dieser Reihe lernen Sie Fähigkeiten für verschiedene Karrierewege kennen:
1. Data Science - Analysieren und interpretieren Sie komplexe Datensätze, entwickeln Sie ML-Modelle, implementieren Sie Datenmanagement und treiben Sie die datengestützte Entscheidungsfindung voran.
2. Machine Learning Engineering - Entwerfen, erstellen und implementieren Sie ML-Modelle und -Systeme, um Probleme der realen Welt zu lösen.
3. Cloud ML Solutions Architect - Nutzen Sie Cloud-Plattformen wie AWS und Azure, um ML-Lösungen auf skalierbare, kosteneffektive Weise zu entwickeln und zu verwalten.
4. Artificial Intelligence (AI) Product Management - Schließen Sie die Lücke zwischen Business-, Engineering- und Data Science-Teams, um wirkungsvolle AI/ML-Produkte zu liefern.
Übungsprojekt
Erforschen und üben Sie Ihre MLOps-Kenntnisse mit praktischen Übungen und Github-Repositories.
1. Erstellen Sie ein Python-Skript, um die Datenvorverarbeitung und die Merkmalsextraktion für maschinelle Lernmodelle zu automatisieren.
2. Entwicklung einer realen ML/AI-Lösung mithilfe von AI Pair Programming und GitHub Copilot, wobei Sie Ihre Fähigkeit zur Zusammenarbeit mit AI unter Beweis stellen.
4. Erstellen von Webanwendungen und Kommandozeilen-Tools für die Interaktion mit ML-Modellen unter Verwendung von Gradio, Hugging Face und dem Click-Framework.
3. Implementierung von GPU-beschleunigten ML-Aufgaben mit Rust für mehr Leistung und Effizienz.
4. Training, Optimierung und Bereitstellung von ML-Modellen auf Amazon SageMaker und Azure ML für cloudbasierte MLOps.
5. Entwicklung einer vollständigen MLOps-Pipeline mit MLflow, Verwaltung von Projekten, Modellen und Tracking-Systemfunktionen.
6. Feinabstimmung und Bereitstellung von Large Language Models (LLMs) und containerisierten Modellen unter Verwendung des ONNX-Formats mit Hugging Face. Erstellung interaktiver Demos, um Ihre Arbeit und Fortschritte effektiv zu präsentieren.
