Dieser Kurs bietet „Coursera Coach“!

Eine intelligentere Art zu lernen – mit interaktiven Echtzeit-Gesprächen, die Ihnen helfen, Ihr Wissen zu testen, Annahmen zu hinterfragen und Ihr Verständnis im Laufe des Kurses zu vertiefen. In diesem Kurs lernen Sie, wie Sie mithilfe von Azure ML Studio fortgeschrittene Bereitstellungsstrategien, MLOps und generative KI beherrschen. Sie werden Techniken zur Skalierung von Machine-Learning-Workloads mithilfe von Parallelverarbeitung, verteiltem Training und serverlosen Bereitstellungen erkunden, einschließlich der Bereitstellung auf Edge-Geräten und in Kubernetes. Lernen Sie, Machine-Learning-Workflows mit Azure DevOps, GitHub Actions und Infrastructure as Code (IaC) zu verwalten, um eine nahtlose Integration und Sicherheit zu gewährleisten. Außerdem tauchen Sie in die Grundlagen der generativen KI ein und erfahren, wie Modelle wie GPT, DALL·E und andere die KI-Landschaft revolutionieren und wie Sie diese Modelle für bestimmte Aufgaben feinabstimmen können. Im Laufe des Kurses sammeln Sie praktische Erfahrungen mit Echtzeit- und Batch-Inferenz, Protokollierung und Modellüberwachung mithilfe von Azure Monitor und Application Insights. Zudem arbeiten Sie mit modernsten Tools, um Modelle hinsichtlich ihrer Inferenzgeschwindigkeit zu optimieren und sie in Produktionsumgebungen bereitzustellen. Der Kurs vermittelt Ihnen die Fähigkeiten, Machine-Learning-Modelle effektiv in den Betrieb zu überführen – von der Bereitstellung bis zur Überwachung –, und sicherzustellen, dass sie langfristig effizient und sicher bleiben. Dieser Kurs richtet sich an Fachleute und Entwickler, die ihre Fähigkeiten im Bereich Machine Learning Operations (MLOps) ausbauen und das transformative Potenzial generativer KI-Modelle erkunden möchten. Anhand praktischer Demos wenden Sie das Gelernte in realistischen Szenarien an und erstellen einsatzfähige Modelle, die sich nahtlos in Ihre bestehenden Systeme integrieren lassen. Am Ende des Kurses sind Sie in der Lage, Machine-Learning-Modelle mithilfe fortschrittlicher Strategien wie verteiltem Training und serverloser Bereitstellung einzusetzen. Sie implementieren MLOps-Pipelines mit Azure DevOps und GitHub Actions für eine durchgängige Automatisierung und passen generative KI-Modelle wie GPT und DALL·E für maßgeschneiderte Aufgaben an und optimieren diese.