|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/machine-learning-with-azure-devops/
课程评论：没有评论
课程名称：使用 Azure DevOps 的机器学习 [2025] 课程概述：什么是 MLOps？MLOps 是一种方法，旨在帮助数据科学家和应用开发者将机器学习模型推向生产。MLOps 可以让您对机器学习生命周期中的每个资产进行追踪、版本控制、审计、认证和重复使用，并提供编排服务以简化管理这些生命周期的过程。 Azure ML 如何帮助 MLOps？Azure ML 提供了多种资产管理和编排服务，帮助您管理模型训练和部署工作流的生命周期。通过结合 Azure ML 和 Azure DevOps，您可以有效且协调地管理数据集、实验、模型以及嵌入机器学习的应用。 MLOps 最佳实践：在您的 CI 过程中，建议您遵循以下步骤： 1. 训练模型 - 运行训练代码/算法并输出存储在运行历史中的模型文件。 2. 评估模型 - 将新训练的模型与生产中的模型进行性能比较。如果新模型的表现优于生产模型，则执行后续步骤；否则，将跳过这些步骤。 3. 注册模型 - 将最佳模型注册到 Azure ML 模型注册表中，以实现版本控制。 您将学习如何使用 Azure DevOps 实现机器学习自动化，以下是相关主题： - SonarQube 上的代码分析 - 模型训练 - 新训练模型与生产模型的评估 - 模型注册 - 创建 Docker 打分映像 - 构建和发布管道 - 在 Azure 容器实例上部署 - 测试 Azure 容器实例 Web 服务 - 最后输入示例数据以调用 Web 服务。 通过本课程，您将深入了解 MLOps 的实施及其在 Azure 平台上的应用。
What is MLOps?MLOps empowers data scientists and app developers to help bring ML models to production. MLOps enables you to track / version / audit / certify / re-use every asset in your ML lifecycle and provides orchestration services to streamline managing this lifecycle.How does Azure ML help with MLOps?Azure ML contains a number of asset management and orchestration services to help you manage the lifecycle of your model training & deployment workflows.With Azure ML + Azure DevOps you can effectively and cohesively manage your datasets, experiments, models, and ML-infused applications.MLOps Best PracticesWe recommend the following steps in your CI process:Train Model - run training code / algo & output a model file which is stored in the run history.Evaluate Model - compare the performance of newly trained model with the model in production. If the new model performs better than the production model, the following steps are executed. If not, they will be skipped.Register Model - take the best model and register it with the Azure ML Model registry. This allows us to version control it.You will learn Machine Learning Automation using Azure DevOps. Here are the below topics related to the ML.Code Analysis on SonarQubeTraining the ModelEvaluation of Production Model with Newly Trained ModelRegister ModelCreate Docker Scoring ImageBuild and Release PipelineDeploy on Azure Container InstanceTest Azure Container Instance WebserviceFinally input sample data to consume the Webservice.
