ML：MLOps系列讲解之系列知识解读全貌
ML：MLOps系列讲解之系列知识解读全貌
导读：您将了解如何使用机器学习，了解需要管理的各种变更场景，以及基于ml的软件开发的迭代性质。最后，我们提供了MLOps的定义，并展示了MLOps的发展。
目录
1.2、Scenarios of Change That Need to be Managed需要管理的变化的场景
2、设计机器学习驱动的(ML-powered)软件—我们想要解决的业务问题是什么？
2.1、Work Flow Decomposition工作流程分解
4.1、Data： Data Engineering Pipelines
4.2、Model： Machine Learning Pipelines
4.3、Code： Deployment Pipelines
5.1、Iterative-Incremental Process in MLOps MLOps中的迭代增量过程
5.8、“ML Test Score” System “机器学习成绩”系统
5.10、Loosely Coupled Architecture (Modularity) 松散耦合架构(模块化)
5.11、ML-based Software Delivery Metrics (4 metrics from “Accelerate”) 基于ML的软件交付指标(来自“加速”的4个指标)
5.12、Summary of MLOps Principles and Best Practices
6、CRISP-ML (Q)ML生命周期过程—了解机器学习开发的标准过程模型。
6.1、Business and Data Understanding业务和数据理解
6.2、Data Engineering (Data Preparation)数据工程(数据准备)
6.3、Machine Learning Model Engineering机器学习模型工程
6.4、Evaluating Machine Learning Models评估机器学习模型
6.6、Monitoring and Maintenance监控和维护
7.2、Documenting MLOps Architecture 记录MLOps架构
7.3、MLOps Maturity Level MLOps 成熟度级别
ML：MLOps系列讲解之系列知识解读全貌
MLOps的简介
Machine Learning Operations=Design+Model Development+Operations
Machine Learning Operations是借助机器学习模型操作化管理(MLOps)，我们希望提供端到端的机器学习开发过程，以设计、构建和管理可再生、可测试和可演进的ML驱动软件。
作为一个新兴的领域，MLOps正在数据科学家、ML工程师和AI爱好者中迅速获得势头。遵循这一趋势，持续交付基金会SIG MLOps将ML模型管理与传统软件工程区分开来，并建议以下MLOps能力：
- MLOps旨在统一机器学习和软件应用程序发布的发布周期。
- MLOps支持机器学习工件的自动化测试(例如数据验证、ML模型测试和ML模型集成测试)
- MLOps能够将敏捷原则应用到机器学习项目中。
- MLOps支持机器学习模型和数据集，将这些模型构建为CI/CD系统中的第一等级。
- MLOps减少了跨机器学习模型的技术债务。
- MLOps必须是一种与语言、框架、平台和基础设施无关的实践。
1、MLOps的定义与发展—你为什么可能想使用机器学习
1.1、Deployment GapML部署的差距
1.2、Scenarios of Change That Need to be Managed需要管理的变化的场景
1.3、MLOps Definition定义
1.4、MLOps Evolution进化
1.5、The Evolution of MLOps
相关文章：ML：MLOps系列讲解之《MLOps的定义与发展—你为什么可能想使用机器学习》解读
2、设计机器学习驱动的(ML-powered)软件—我们想要解决的业务问题是什么？
2.1、Work Flow Decomposition工作流程分解
2.2、AI Canvas
2.3、机器学习Canvas
2.3.1、机器学习画布(v1.0)，THE MACHINE LEARNING CANVAS (V1.0)
相关文章：ML：MLOps系列讲解之《设计机器学习驱动的(ML-powered)软件—我们想要解决的业务问题是什么？》解读
3、端到端 ML工作流生命周期
3.1、Data Engineering
3.2、Model Engineering
3.3、Model Deployment
相关文章：ML：MLOps系列讲解之《端到端 ML工作流生命周期》解读
4、基于ML的软件的三个层次
4.1、Data： Data Engineering Pipelines
4.1.2、Exploration and Validation
4.2、Model： Machine Learning Pipelines
4.2.5、Different forms of ML workflows不同形式的机器学习工作流程
4.2.6、ML Model serialization formats 机器学习模型序列化格式
4.3、Code： Deployment Pipelines
4.3.1、Model Serving Patterns模型服务模式
4.3.2、Deployment Strategies部署策略
相关文章：ML：MLOps系列讲解之《基于ML的软件的三个层次》解读
5、MLOps原则
5.1、Iterative-Incremental Process in MLOps MLOps中的迭代增量过程
5.2、Automation自动化
5.3、Continuous X持续部署
5.4、Versioning版本控制
5.5、Experiments Tracking实验跟踪
5.6、Testing测试
5.6.1、Features and Data Tests特征和数据测试
5.6.2、Tests for Reliable Model Development可靠模型开发的测试
5.6.3、ML infrastructure test机器学习基础设施测试
5.7、Monitoring 监控
5.8、“ML Test Score” System “机器学习成绩”系统
5.9、Reproducibility可再现性
5.10、Loosely Coupled Architecture (Modularity) 松散耦合架构(模块化)
5.11、ML-based Software Delivery Metrics (4 metrics from “Accelerate”) 基于ML的软件交付指标(来自“加速”的4个指标)
5.12、Summary of MLOps Principles and Best Practices
相关文章：ML：MLOps系列讲解之《MLOps原则—迭代增量过程/自动化/持续部署/版本控制/实验跟踪/测试/监控/“ML成绩”系统/可再现性/松散耦合架构(模块化)/基于ML的软件交付指标/MLO等》解读
6、CRISP-ML (Q)ML生命周期过程—了解机器学习开发的标准过程模型。
6.1、Business and Data Understanding业务和数据理解
6.2、Data Engineering (Data Preparation)数据工程(数据准备)
6.3、Machine Learning Model Engineering机器学习模型工程
6.4、Evaluating Machine Learning Models评估机器学习模型
6.5、Deployment部署
6.6、Monitoring and Maintenance监控和维护
6.7、Conclusion
6.8、Acknowledgements
相关文章：ML：MLOps系列讲解之《CRISP-ML (Q)ML生命周期过程—了解机器学习开发的标准过程模型—业务和数据理解→数据工程(数据准备)→ML模型工程→评估ML模型→模型部署→模型监控和维护》解读
7、MLOps Stack Canvas堆栈画布
7.1、MLOps Stack Canvas
7.2、Documenting MLOps Architecture 记录MLOps架构
7.3、MLOps Maturity Level MLOps 成熟度级别
7.4、Conclusion 结论
7.5、Acknowledgements
相关文章：ML：MLOps系列讲解之《MLOps Stack Canvas堆栈画布》解读
8、ML模型治理
本部分介绍了治理流程的概述，这些流程是MLOps不可或缺的一部分。
9、MLOps的State(工具和框架)
相关文章：ML：MLOps系列讲解之《MLOps的State(工具和框架)》解读
文章来源: yunyaniu.blog.csdn.net，作者：一个处女座的程序猿，版权归原作者所有，如需转载，请联系作者。
原文链接：yunyaniu.blog.csdn.net/article/details/122848723
- 点赞
- 收藏
- 关注作者
评论（0）