Bild av författare
Det blir allt viktigare att behärska MLOps (Machine Learning Operations) för dem som effektivt vill distribuera, övervaka och underhålla sina ML-modeller i produktion. MLOps är en uppsättning metoder som syftar till att slå samman ML-systemutveckling (Dev) och ML-systemdrift (Ops). Lyckligtvis har open source-gemenskapen skapat många resurser för att hjälpa nybörjare att bemästra dessa koncept och verktyg.
Här är tio GitHub-förråd som är viktiga för alla som vill bemästra MLOps:
GitHub-länk: graviraja/MLOps-Basics
Det är en 9-veckors studieplan utformad för att hjälpa dig att bemästra olika koncept och verktyg relaterade till modellövervakning, konfigurationer, dataversionering, modellpaketering, Docker, GitHub Actions och AWS Cloud. Du kommer att lära dig hur du bygger ett MLOps-projekt från slut till slut, och varje vecka kommer du att fokusera på ett specifikt ämne för att hjälpa dig att uppnå detta mål.
GitHub-länk: microsoft/MLOps
Förvaret tillhandahåller MLOps end-to-end exempel och lösningar. En samling exempel som visar olika end-to-end-scenarier som operationaliserar ML-arbetsflöden med Azure Machine Learning, integrerat med GitHub och andra Azure-tjänster som Data Factory och DevOps.
GitHub-länk: GokuMohandas/Made-With-ML
Om du letar efter MLOps end-to-end-exempel och lösningar, har det här arkivet täckt dig. Den innehåller en mängd olika scenarier som visar hur man operationaliserar ML-arbetsflöden med Azure Machine Learning. Dessutom är den integrerad med andra Azure-tjänster som Data Factory och DevOps, såväl som GitHub.
GitHub-länk: Pythondeveloper6/Awesome-MLOPS
Förvaret innehåller länkar till olika gratisresurser tillgängliga online för MLOps. Dessa resurser inkluderar YouTube-videor, karriärplaner, LinkedIn-konton att följa, böcker, bloggar, gratis och betalda kurser, gemenskaper, projekt och verktyg. Du kan hitta nästan allt relaterat till MLOps på ett ställe, så istället för att söka på nätet efter olika saker kan du bara besöka förvaret och lära dig.
GitHub-länk: mlops-guide/mlops-guide.github.io
Förvaret tar dig till en statisk webbplats på GitHub som hjälper projekt och företag att bygga en mer pålitlig MLOps-miljö. Den täcker principer för MLOPs, implementeringsguider och projektarbetsflöde.
GitHub-länk: kelvins/awesome-mlops
Lagret innehåller en lista över MLOps-verktyg som kan användas för AutoML, CI/CD för maskininlärning, Cron-jobbövervakning, datakatalog, databerikning, datautforskning, datahantering, databehandling, datavalidering, datavisualisering, driftdetektering, Feature Engineering, Feature Store, Hyperparameter Tuning, Knowledge Sharing, Machine Learning Platform, Model Fairness and Privacy, Model Interpretability, Model Lifecycle, Model Serving, Model Testing & Validering, Optimization Tools, Simplification Tools, and Visual Analysis and Debugging.
GitHub-länk: SkafteNicki/dtu_mlops
Detta är ett arkiv för DTU kurs 02476, som inkluderar övningar och ytterligare material för kursen för maskininlärning. Kursen sträcker sig över tre veckor och täcker ämnen som utvecklingsmetoder, reproducerbarhet, automatisering, molntjänster, distribution och avancerade ämnen som övervakning och skalning för applikationer för maskininlärning.
GitHub-länk: GokuMohandas/mlops-kurs
Kursen fokuserar på att lära studenter hur man designar, utvecklar, distribuerar och itererar på produktionsklassade ML-applikationer med hjälp av bästa praxis, skala ML-arbetsbelastningar, integrera MLOps-komponenter och skapa CI/CD-arbetsflöden för kontinuerlig förbättring och sömlös implementering.
GitHub-länk: DataTalksClub/mlops-zoomcamp
En av mina favoritkurser för att lära mig ett nytt koncept genom att bygga ett projekt. MLOps-kursen från DataTalks.Club lär ut de praktiska aspekterna av att sätta maskininlärningstjänster i produktion, från utbildning och experiment till modellinstallation och övervakning. Den är designad för datavetare, ML-ingenjörer, mjukvaruingenjörer och dataingenjörer som är intresserade av att lära sig hur man operationaliserar arbetsflöden för maskininlärning.
GitHub-länk: featurestoreorg/serverless-ml-course
Denna kurs fokuserar på att utveckla kompletta maskininlärningssystem med serverlösa möjligheter. Det tillåter utvecklare att skapa prediktiva tjänster utan att kräva expertis i Kubernetes eller molnberäkning. De kan göra det genom att skriva Python-program och använda serverlösa funktioner, slutledningspipelines, funktionsbutiker och modellregister.
Att bemästra MLOps är avgörande för att säkerställa tillförlitligheten, skalbarheten och effektiviteten hos maskininlärningsprojekt i produktionen. Förvaren som listas ovan erbjuder en mängd kunskap, praktiska exempel och viktiga verktyg för att hjälpa dig att förstå och tillämpa MLOps-principer effektivt. Oavsett om du är en nybörjare som vill komma igång eller en erfaren utövare som vill fördjupa dina kunskaper, ger dessa resurser värdefulla insikter och vägledning om din resa för att bemästra MLOps.
Kolla in AI-lärplattformen som heter Travis, vilket kan hjälpa dig att bemästra MLOps och dess koncept snabbare. Travis genererar förklaringar om ämnet och du kan ställa följdfrågor. Dessutom kan du göra din egen forskning eftersom den ger länkar till bloggar och tutorials publicerade av topppublikationer på Medium, Substack, oberoende bloggar, officiell dokumentation och böcker.
Abid Ali Awan (@1abidaliawan) är en certifierad datavetare som älskar att bygga modeller för maskininlärning. För närvarande fokuserar han på att skapa innehåll och skriva tekniska bloggar om maskininlärning och datavetenskap. Abid har en magisterexamen i teknikledning och en kandidatexamen i telekommunikationsteknik. Hans vision är att bygga en AI-produkt med hjälp av ett grafiskt neuralt nätverk för studenter som kämpar med psykisk ohälsa.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
- Källa: https://www.kdnuggets.com/10-github-repositories-to-master-mlops?utm_source=rss&utm_medium=rss&utm_campaign=10-github-repositories-to-master-mlops
