机器学习模型的部署(Deployment of Machine Learning Models)

欢迎来到机器学习模型部署，这是迄今为止最全面的机器学习部署在线课程。本课程将向您展示如何将您的机器学习模型从研究环境转移到完全集成的生产环境。

什么是模型部署？

部署机器学习模型，或者简单地说，将模型投入生产，意味着让您的模型可供组织或网络中的其他系统使用，以便它们可以接收数据并返回它们的预测。通过部署机器学习模型，您可以开始充分利用您构建的模型。

本课程适合谁？

• 如果您刚刚构建了第一个机器学习模型并想知道如何将它们投入生产或将它们部署到 API 中，
• 如果您在组织内部署了一些模型并希望了解有关模型部署最佳实践的更多信息，
• 如果您是一位狂热的软件开发人员，想要部署完全集成的机器学习管道，

本课程将向您展示如何操作。

你会学到什么？

我们将通过引人入胜的视频教程逐步指导您，并教您开始在研究环境中创建模型所需的一切知识，然后将 Jupyter notebooks 转换为生产代码、打包代码并部署到 API ，并添加持续集成和持续交付。我们将讨论可再现性的概念、它为何重要，以及如何在部署期间通过版本控制、代码存储库和 docker 的使用最大限度地提高可再现性。我们还将讨论可用于部署机器学习模型的工具和平台。

具体来说，您将学习：

• 典型机器学习管道中涉及的步骤
• 数据科学家如何在研究环境中工作
• 如何将 Jupyter 笔记本中的代码转换为生产代码
• 如何编写生产代码，包括测试、日志记录和 OOP 简介
• 如何部署模型并通过 API 提供预测服务
• 如何创建 Python 包
• 如何部署到现实的生产环境中
• 如何使用docker控制软件和模型版本
• 如何添加 CI/CD 层
• 如何确定部署的模型再现了在研究环境中创建的模型

在课程结束时，您将全面了解机器学习模型的整个研究、开发和部署生命周期，了解最佳编码实践，以及将模型投入生产需要考虑的事项。您还将更好地了解可用于部署模型的工具，并且能够很好地在满足组织需求的任何方向上部署模型。

你还应该知道什么？

本课程将帮助您迈出将模型投入生产的第一步。您将学习如何从 Jupyter notebook 过渡到完全部署的机器学习模型，考虑 CI/CD，以及部署到云平台和基础设施。

但是，模型部署还有很多其他内容，例如模型监控、使用 Kubernetes 的高级部署编排、使用 Airflow 的计划工作流，以及本课程未涵盖的各种测试范例，例如影子部署。

想知道更多？继续阅读…

这门关于部署机器学习模型的综合课程包括 100 多场讲座，视频时长约 10 小时，所有主题都包括动手实践的 Python 代码示例，您可以在自己的项目中参考和重复使用这些代码示例。

此外，我们现在在每个部分中都包含一个作业，您可以在其中重现您学到的部署新模型的知识。

你还在等什么？立即注册，了解如何将模型投入生产并开始挖掘其真正价值。