Dans ce cours sur l'Apprentissage automatique en production, vous développerez votre intuition sur la conception d'un système de ML en production de bout en bout : cadrage du projet, besoins en données, stratégies de modélisation, et modèles et technologies de déploiement. Vous apprendrez des stratégies pour relever les défis courants de la production, tels que l'établissement d'un modèle de référence, le traitement de la dérive des concepts et l'exécution d'une analyse des erreurs. Vous suivrez un cadre pour développer, déployer et améliorer continuellement une application ML en production. Comprendre les concepts d'apprentissage automatique et d'apprentissage profond est essentiel, mais si vous cherchez à construire une carrière efficace en IA, vous devez également avoir de l'expérience dans la préparation de vos projets pour le déploiement. L'ingénierie de l'apprentissage automatique pour la production combine les concepts fondamentaux de l'apprentissage automatique avec les compétences et les meilleures pratiques du développement logiciel moderne nécessaires pour déployer et maintenir avec succès les systèmes ML dans des environnements réels.Semaine 1 : Vue d'ensemble du cycle de vie et du déploiement de l'apprentissage automatique Semaine 2 : Défis et stratégies de modélisation Semaine 3 : Définition des données et base de référence
Apprentissage automatique en production
Instructeur : Andrew Ng
Enseignant de premier plan
125 778 déjà inscrits
(3,076 avis)
Expérience recommandée
Ce que vous apprendrez
Identifier les composants clés du cycle de vie du projet ML, le pipeline et sélectionner les meilleurs modèles de déploiement et de surveillance pour différents scénarios de production.
Optimiser les performances et les mesures du modèle en donnant la priorité aux exemples d'une importance disproportionnée qui représentent des tranches clés d'un ensemble de données.
Résolvez les défis de production concernant les données structurées, non structurées, petites et Big data, en quoi la cohérence des étiquettes est essentielle et comment vous pouvez l'améliorer.
Compétences que vous acquerrez
- Catégorie : Concept Drift
- Catégorie : Défis liés au déploiement du ML
- Catégorie : Performances humaines (HLP)
- Catégorie : Définition du champ d'application et conception du projet
- Catégorie : Modèle de référence
Détails à connaître
Ajouter à votre profil LinkedIn
6 devoirs
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Obtenez un certificat professionnel
Ajoutez cette qualification à votre profil LinkedIn ou à votre CV
Partagez-le sur les réseaux sociaux et dans votre évaluation de performance
Il y a 3 modules dans ce cours
Cette semaine couvre une introduction rapide aux systèmes de production d'apprentissage automatique en mettant l'accent sur leurs exigences et leurs défis. Ensuite, la semaine se concentre sur le déploiement de systèmes de production et sur ce qui est nécessaire pour le faire de manière robuste tout en faisant face à des données en constante évolution.
Inclus
8 vidéos3 lectures2 devoirs1 élément d'application2 laboratoires non notés
Cette semaine est consacrée aux stratégies de modélisation et aux principaux défis posés par le développement de modèles. Elle couvre l'analyse des erreurs et les stratégies pour travailler avec différents types de données. Elle aborde également la manière de gérer le déséquilibre des classes et les ensembles de données fortement asymétriques.
Inclus
16 vidéos2 lectures2 devoirs1 laboratoire non noté
Cette semaine, il s'agit de travailler avec différents types de données et d'assurer la Cohérence des typographies pour les problèmes de classification. Cela conduit à établir une base de performance pour votre modèle et à discuter des stratégies pour l'améliorer en fonction de vos contraintes de temps et de ressources. Cette semaine comprend également le projet final.
Inclus
17 vidéos5 lectures2 devoirs2 laboratoires non notés
Instructeur
Offert par
Recommandé si vous êtes intéressé(e) par Apprentissage automatique
Amazon Web Services
University of Michigan
Google Cloud
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Avis des étudiants
Affichage de 3 sur 3076
3 076 avis
- 5 stars
84,45 %
- 4 stars
12,79 %
- 3 stars
1,87 %
- 2 stars
0,58 %
- 1 star
0,29 %
Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à plus de 7 000 cours de renommée internationale, à des projets pratiques et à des programmes de certificats reconnus sur le marché du travail, tous inclus dans votre abonnement
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires
Améliorez les compétences de vos employés pour exceller dans l’économie numérique
Foire Aux Questions
L'ingénierie de l'apprentissage automatique pour la production fait référence aux outils, techniques et expériences pratiques qui transforment les connaissances ML théoriques en un ensemble de compétences prêtes pour la production.
Déployer efficacement des modèles d'apprentissage automatique nécessite des compétences que l'on trouve plus couramment dans des domaines techniques tels que l'ingénierie logicielle et DevOps. L'ingénierie de l'apprentissage automatique pour la production combine les concepts fondamentaux de l'apprentissage automatique avec l'expertise fonctionnelle des rôles de développement logiciel et d'ingénierie modernes.
Comprendre les concepts d'apprentissage automatique et de Deep Learning est essentiel, mais si vous cherchez à construire une carrière efficace en IA, vous avez également besoin de capacités d'ingénierie de production. Avec l'ingénierie de l'apprentissage automatique pour la production, vous pouvez transformer vos connaissances en apprentissage automatique en compétences prêtes pour la production.
Le cours Apprentissage automatique en production couvre la façon de conceptualiser des systèmes intégrés qui fonctionnent en continu en production ainsi que de résoudre les défis communs propres à l'environnement de production. En contraste frappant avec la modélisation standard de l'apprentissage automatique, les systèmes de production doivent gérer des données évolutives. De plus, le système de production doit fonctionner sans interruption au coût minimum tout en produisant des performances maximales.
Dans ce cours sur l'Apprentissage automatique en production, vous développerez votre intuition sur la conception d'un système d'apprentissage automatique de production de bout en bout : cadrage du projet, besoins en données, stratégies de modélisation, et modèles et technologies de déploiement. Vous apprendrez des stratégies pour relever les défis courants de la production, tels que l'établissement d'un modèle de référence, la gestion de la dérive des concepts et l'exécution d'une analyse des erreurs. Vous suivrez un cadre pour développer, déployer et améliorer continuellement une application ML en production.
A la fin de ce cours, vous serez prêt à :
Concevoir un système de production ML de bout en bout : cadrage du projet, besoins en données, stratégies de modélisation et exigences de déploiement.
Établir un modèle de référence, aborder la dérive du concept et prototyper comment développer, déployer et améliorer continuellement une application de ML en production.
Construire des pipelines de données en rassemblant, nettoyant et validant des ensembles de données.
Mettre en œuvre l'ingénierie des caractéristiques, la transformation et la sélection avec TensorFlow INTO.
Établir le cycle de vie des données en exploitant les outils de métadonnées de lignage et de provenance des données et suivre l'évolution des données avec les schémas de données d'entreprise.
Appliquer des techniques pour gérer les ressources de modélisation et répondre au mieux aux demandes d'inférence hors ligne/en ligne.
Utiliser l'analyse pour traiter l'équité des modèles, les problèmes d'explicabilité et atténuer les goulets d'étranglement.
Fournir des pipelines de déploiement pour le service de modèles qui requièrent différentes infrastructures.
Appliquer les meilleures pratiques et les techniques de livraison progressive pour maintenir un système d'exploitation en continu.