MLOF - MLOps (Machine Learning Operations) Fundamentals

MLOps là một chuyên ngành tập trung vào việc triển khai, thử nghiệm, giám sát và tự động hóa các hệ thống ML trong sản xuất. Các chuyên gia Kỹ thuật học máy sử dụng các công cụ để cải tiến và đánh giá liên tục các mô hình đã triển khai. Họ làm việc với (hoặc có thể là) Nhà khoa học dữ liệu, những người phát triển các mô hình, để cho phép tăng tốc độ và tính nghiêm ngặt trong việc triển khai các mô hình hoạt động tốt nhất. Trainocate hiện là Google Cloud Partner chính thức tại Việt Nam.

• Làm quen với Google Cloud Platform thông qua lộ trình học Google Cloud
• Xác định và sử dụng các công nghệ cốt lõi cần thiết để hỗ trợ MLOps hiệu quả.
• Cấu hình và cung cấp kiến ​​trúc Google Cloud cho các môi trường MLOps đáng tin cậy và hiệu quả.
• Triển khai các quy trình đào tạo và suy luận đáng tin cậy và có thể lặp lại.
• Áp dụng các phương pháp CI/CD tốt nhất trong bối cảnh các hệ thống ML.
• Vận hành các mô hình học máy đã triển khai một cách hiệu quả và hiệu suất cao.
• Xác định và sử dụng các công nghệ cốt lõi cần thiết để hỗ trợ MLOps hiệu quả.

Mô-đun 1: Tại sao và khi nào chúng ta cần MLOps

• Thảo luận về các điểm khó khăn của Nhà khoa học dữ liệu.
• Xác định các đặc điểm và thách thức của Kỹ thuật ML.
• Xác định cách Google Cloud có thể hỗ trợ MLOps.
• Nhận biết MLOps khác với quản lý ML thủ công như thế nào.
• So sánh và đối chiếu DevOps với MLOps.

Mô-đun 2: Hiểu các thành phần chính của Kubernetes (Tùy chọn)

• Xác định container Docker là gì.
• Tạo container Docker.
• Xác định kiến ​​trúc của Kubernetes: pod, không gian tên.
• Tạo container Docker bằng Google Container Builder.
• Lưu trữ hình ảnh container trong Google Container Registry.
• Tạo cụm Kubernetes Engine.
• Quản lý triển khai Kubernetes.

Mô-đun 3: Giới thiệu về AI Platform Pipelines

• Xác định các lợi ích và cơ hội của AI Pipelines.
• Xác định Kiểm soát truy cập trong AI Pipelines.
• Nhận biết các thành phần pipeline.
• Liệt kê các quy trình làm việc của pipeline.
• Thiết lập AI Platform Pipelines.
• Tạo một pipeline học máy.
• Chạy một pipeline học máy.
• Kết nối với AI Platform Pipelines bằng Kubeflow Pipelines SDK.
• Cấu hình cụm Google Kubernetes Engine cho AI Platform Pipelines.

Mô-đun 4: Đào tạo, Điều chỉnh và Phục vụ trên Nền tảng AI

• Xác định các khái niệm chính của MLOps trên Nền tảng AI.
• Tạo một tập dữ liệu có thể tái tạo.
• Triển khai một mô hình có thể điều chỉnh.
• Xây dựng và đẩy một vùng chứa đào tạo.
• Đào tạo và điều chỉnh một mô hình.
• Phục vụ và truy vấn một mô hình.

Mô-đun 5: Đường ống Kubeflow trên Nền tảng AI

• Nhận biết cách Đường ống Kubeflow phù hợp với MLOps.
• Mô tả Đường ống Kubeflow với KF DSL.
• Sử dụng các thành phần Kubeflow khác nhau.
• Biên dịch, tải lên và chạy bản dựng đường ống trong Đường ống Kubeflow.
• Mô-đun 6: CI/CD cho Đường ống Kubeflow trên Nền tảng AI
• Tạo Trình xây dựng bản dựng đám mây.
• Cấu hình đường ống với Bản dựng đám mây.
• Tạo trình kích hoạt cho các mô hình đào tạo bằng Trình kích hoạt bản dựng đám mây.
• Áp dụng các phương pháp CI/CD tốt nhất trong bối cảnh hệ thống ML.

Mô-đun 7: Tổng kết kiến thức

• Các nhà khoa học dữ liệu muốn nhanh chóng chuyển từ nguyên mẫu học máy sang sản xuất để tạo ra tác động kinh doanh.
• Kỹ sư phần mềm muốn phát triển các kỹ năng Kỹ thuật học máy.
• Kỹ sư ML muốn áp dụng Google Cloud.

• Đã hoàn thành khóa Machine Learning với Google Cloud hoặc có kinh nghiệm tương đương

Khóa học này không đi kèm đến bất kỳ chứng nhận nào.

Hãy liên hệ qua Fanpage Trainocate Vietnam để nhận thêm thông tin thi chứng chỉ Google Cloud.

Tìm hiểu thêm về các khóa học Google Cloud tại Trainocate Vietnam nhé!