Este curso faz parte do Programa de cursos integrados Machine Learning Engineering for Production (MLOps)

4.5
estrelas
202 classificações
•
37 avaliações

Robert Crowe

10.519 já se inscreveram

oferecido por

Programa de cursos integrados Machine Learning Engineering for Production (MLOps)deeplearning.ai

Informações sobre o curso

180.344 visualizações recentes

In the second course of Machine Learning Engineering for Production Specialization, you will build data pipelines by gathering, cleaning, and validating datasets and assessing data quality; implement feature engineering, transformation, and selection with TensorFlow Extended and get the most predictive power out of your data; and establish the data lifecycle by leveraging data lineage and provenance metadata tools and follow data evolution with enterprise data schemas.
Understanding machine learning and deep learning concepts is essential, but if you’re looking to build an effective AI career, you need production engineering capabilities as well. Machine learning engineering for production combines the foundational concepts of machine learning with the functional expertise of modern software development and engineering roles to help you develop production-ready skills. 

Week 1: Collecting, Labeling, and Validating data
Week 2: Feature Engineering, Transformation, and Selection
Week 3: Data Journey and Data Storage
Week 4: Advanced Data Labeling Methods, Data Augmentation, and Preprocessing Different Data Types

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.

Certificados compartilháveis

Tenha o certificado após a conclusão

100% on-line

Comece imediatamente e aprenda em seu próprio cronograma.

Curso 2 de 4 no

Programa de cursos integrados Machine Learning Engineering for Production (MLOps)

Nível avançado

• Some knowledge of AI / deep learning

• Intermediate Python skills

• Experience with any deep learning framework (PyTorch, Keras, or TensorFlow)

Aprox. 21 horas para completar

Inglês

Legendas: Inglês

O que você vai aprender

Identify responsible data collection for building a fair ML production system.

Implement feature engineering, transformation, and selection with TensorFlow Extended

Understand the data journey over a production system’s lifecycle and leverage ML metadata and enterprise schemas to address quickly evolving data.

Habilidades que você terá

ML MetadataConvolutional Neural NetworkTensorFlow Extended (TFX)Data ValidationData transformation

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.

Certificados compartilháveis

Tenha o certificado após a conclusão

100% on-line

Comece imediatamente e aprenda em seu próprio cronograma.

Curso 2 de 4 no

Programa de cursos integrados Machine Learning Engineering for Production (MLOps)

Nível avançado

• Some knowledge of AI / deep learning

• Intermediate Python skills

• Experience with any deep learning framework (PyTorch, Keras, or TensorFlow)

Aprox. 21 horas para completar

Inglês

Legendas: Inglês

Instrutores

Classificação do instrutor

4,32/5 (64 classificações)

Robert Crowe

Instructor

TensorFlow Developer Engineer, Google

12.053 aprendizes

3 Cursos

oferecido por

deeplearning.ai

DeepLearning.AI is an education technology company that develops a global community of AI talent.

Programa - O que você aprenderá com este curso

Classificação do conteúdo86%(1,342 classificações)

Semana

Semana 1

6 horas para concluir

Week 1: Collecting, Labeling and Validating Data

This week covers a quick introduction to machine learning production systems. More concretely you will learn about leveraging the TensorFlow Extended (TFX) library to collect, label and validate data to make it production ready.

6 horas para concluir

12 vídeos (Total 95 mín.), 2 leituras, 6 testes

12 videos

Specialization overview6min

Course Overview2min

Overview11min

ML Pipelines6min

Importance of Data8min

Example Application: Suggesting Runs8min

Responsible Data: Security, Privacy & Fairness11min

Case Study: Degraded Model Performance9min

Data and Concept Change in Production ML5min

Process Feedback and Human Labeling11min

Detecting Data Issues7min

TensorFlow Data Validation6min

2 leituras

Week 1 Optional References3min

How to Download your Notebook10min

4 exercícios práticos

Intro to MLEP12min

Data Collection15min

Data Labeling5min

Issues in Training Data10min

Semana

Semana 2

7 horas para concluir

Week 2: Feature Engineering, Transformation and Selection

Implement feature engineering, transformation, and selection with TensorFlow Extended by encoding structured and unstructured data types and addressing class imbalances

7 horas para concluir

12 vídeos (Total 86 mín.), 1 leitura, 4 testes

12 videos

Introduction to Preprocessing5min

Preprocessing Operations6min

Feature Engineering Techniques10min

Feature Crosses3min

Preprocessing Data at Scale12min

TensorFlow Transform14min

Hello World with tf.Transform7min

Feature Spaces5min

Feature Selection4min

Filter Methods6min

Wrapper Methods5min

Embedded Methods5min

1 leituras

Week 2 Optional References3min

3 exercícios práticos

Feature Engineering and Preprocessing15min

Feature Transformation15min

Feature Selection8min

Semana

Semana 3

5 horas para concluir

Week 3: Data Journey and Data Storage

Understand the data journey over a production system’s lifecycle and leverage ML metadata and enterprise schemas to address quickly evolving data.

5 horas para concluir

8 vídeos (Total 42 mín.), 1 leitura, 4 testes

Semana

Semana 4

3 horas para concluir

Week 4 (Optional): Advanced Labeling, Augmentation and Data Preprocessing

Combine labeled and unlabeled data to improve ML model accuracy and augment data to diversify your training set.

3 horas para concluir

6 vídeos (Total 31 mín.), 3 leituras, 3 testes

Avaliações

4.5

37 avaliações

5 stars
67,38%
4 stars
18,45%
3 stars
8,58%
2 stars
5,15%
1 star
0,42%

Principais avaliações do MACHINE LEARNING DATA LIFECYCLE IN PRODUCTION

por SC2 de Jul de 2021

Interesting material. There are quite a lot of typos and many code snippets are directly from the tfx manual pages however the instructions provided and logic of the course is clear.

por WR26 de Jul de 2021

It's a new course so sometimes there are mistakes in the translations or there is something off in the assignment's grading, but the content is great. :)

por SC20 de Jul de 2021

Best course for the professionals looking to upgrade there ML skills at production level! Thanks to the brilliant and wonderful course instructor.

por FF8 de Set de 2021

Lessons are well structured and clear, and the labs are very instructive. Above all the course is fun!

Visualizar todas as avaliações

Sobre Programa de cursos integrados Machine Learning Engineering for Production (MLOps)

Understanding machine learning and deep learning concepts is essential, but if you’re looking to build an effective AI career, you need production engineering capabilities as well.

Effectively deploying machine learning models requires competencies more commonly found in technical fields such as software engineering and DevOps. Machine learning engineering for production combines the foundational concepts of machine learning with the functional expertise of modern software development and engineering roles. The Machine Learning Engineering for Production (MLOps) Specialization covers how to conceptualize, build, and maintain integrated systems that continuously operate in production. In striking contrast with standard machine learning modeling, production systems need to handle relentless evolving data. Moreover, the production system must run non-stop at the minimum cost while producing the maximum performance. In this Specialization, you will learn how to use well-established tools and methodologies for doing all of this effectively and efficiently. In this Specialization, you will become familiar with the capabilities, challenges, and consequences of machine learning engineering in production. By the end, you will be ready to employ your new production-ready skills to participate in the development of leading-edge AI technology to solve real-world problems.

Machine Learning Engineering for Production (MLOps)

Perguntas Frequentes – FAQ

When will I have access to the lectures and assignments?
O acesso a palestras e tarefas depende do tipo de inscrição. Se você participar de um curso como ouvinte, você poderá ver quase todo o conteúdo do curso gratuitamente. Para acessar tarefas valendo nota e obter um Certificado, você precisará adquirir a experiência do Certificado, durante ou após a participação como ouvinte. Se você não vir a opção de participar como ouvinte:
o curso pode não oferecer essa opção. Você pode experimentar um teste gratuito ou solicitar o auxílio financeiro.
Em vez disso, o curso pode oferecer 'Curso completo, sem Certificado'. Com esta opção, é possível ver todo o conteúdo do curso, enviar as avaliações necessárias e obter uma nota final. Isso também significa que você não poderá comprar uma experiência de Certificado.
O que recebo ao me inscrever nesta Especialização?
Quando você se inscreve no curso, tem acesso a todos os cursos na Especialização e pode obter um certificado quando concluir o trabalho. Seu Certificado eletrônico será adicionado à sua página de Participações e você poderá imprimi-lo ou adicioná-lo ao seu perfil no LinkedIn. Se quiser apenas ler e assistir o conteúdo do curso, você poderá frequentá-lo como ouvinte sem custo.
Qual é a política de reembolso?
Se você se inscrever, terá 7 dias para testar sem custo e, durante este período, pode cancelar sem multa. Depois disso, não reembolsamos, mas você pode cancelar sua inscrição a qualquer momento. Veja nossa política para o reembolso total.
Existe algum auxílio financeiro disponível?
Sim, a Coursera oferece auxílio financeiro ao aluno que não possa pagar a taxa. Faça a solicitação clicando no link Auxílio Financeiro, abaixo do botão "Inscreva-se" à esquerda. Preencha uma solicitação e será notificado caso seja aprovado. Você terá que completar esta etapa para cada curso na Especialização, incluindo o Trabalho de Conclusão de Curso. Saiba mais .

Mais dúvidas? Visite o Central de Ajuda ao Aprendiz.

Machine Learning Data Lifecycle in Production