本课程介绍了 MLOps，这是一种将持续集成和持续交付 (CI/CD) 等 DevOps 实践应用于 ML 工作流的方法。您将了解如何创建连续流结构来调用管道。您还将做出有关部署基础设施和自动化策略的关键决策，重点是生产环境中的风险缓解和性能增强。最后，本课程将介绍如何构建和集成用于重新训练模型的机制，这对于容纳新数据或模型代码更新至关重要。
- 课程级别：高级
- 时长：1 小时 15 分钟
注意：本课程具有本地化的注释/字幕。 旁白保留英语。要显示字幕，请单击播放器右下角的 CC 按钮。
活动
- 在线资料
- 知识考核问题
- 课程评估
课程目标
- 描述 DevOps。
- 描述软件发布流程。
- 说明如何将 CI/CD 原则纳入 ML 工作流。
- 描述 MLOps、参与的团队、要求。
- 确定 DevOps 对 ML 的要求。
- 描述在 CI/CD 管道中实现测试自动化的好处。
- 说明 Amazon SageMaker Projects 如何将 CI/CD 实践引入 ML。
- 描述版本控制系统和基本用法。
- 创建连续流结构以调用管道。
- 描述、配置 AWS CodePipeline、AWS CodeCommit、AWS CodeBuild 和 AWS CodeDeploy 并进行故障排除。
- 说明如何实现数据摄取自动化并将其与 ML 管道编排服务集成。
- 使用 AWS Step Functions 和 AWS CodePipeline 自动执行 ML 工作流。
- 定义部署策略和回滚操作。
- 描述调用管道时代码存储库的工作原理。
- 说明如何将 ML 模型集成到生产环境中。
- 构建和集成多种机制以重新训练模型。
- 配置推理任务。
培训对象
- 云架构师
- 机器学习工程师
建议具备的技能
- 拥有至少 1 年使用 Amazon SageMaker 和其他 AWS 服务进行 ML 工程工作的经验
- 至少从事 1 年相关角色的工作，例如后端软件开发人员、DevOps 开发人员、数据工程师或数据科学家
- 对 Python 等编程语言有基本的了解
- 已完成 AWS ML Engineer Associate 学习计划的前几门课程
课程大纲
- 第 1 部分：简介
- 第 1 课：如何学习本课程
- 第 2 课：课程概览
- 第 3 课：DevOps 简介
- 第 2 部分：持续集成和持续部署
- 第 4 课：MLOps 简介
- 第 5 课：在 CI/CD 管道中自动执行测试
- 第 6 课：版本控制系统
- 第 7 课：连续流结构
- 第 3 部分：AWS 软件发布流程
- 第 8 课：持续交付服务
- 第 9 课：配置和故障排除的最佳实践
- 第 10 课：在 ML 管道中自动进行数据集成
- 第 4 部分：自动化编排
- 第 11 课：AWS Step Functions 和 AWS CodePipeline
- 第 12 课：部署策略
- 第 5 部分：重新训练模型
- 第 13 课：代码存储库的工作原理
- 第 14 课：构建和集成重新训练机制
- 第 15 课：配置推理任务
- 第 6 部分：总结
- 第 16 课：课程总结
- 第 17 课：评估
- 第 18 课：联系我们
