Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
3.7
67 avis
niveau Avancées
Expérience recommandée
Expérience recommandée
Niveau avancé
Expérience intermédiaire dans le travail avec Python, Git pour le contrôle de version, Docker pour la conteneurisation et Kubernetes pour le déploiement et la mise à l'échelle.
Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
3.7
67 avis
niveau Avancées
Expérience recommandée
Expérience recommandée
Niveau avancé
Expérience intermédiaire dans le travail avec Python, Git pour le contrôle de version, Docker pour la conteneurisation et Kubernetes pour le déploiement et la mise à l'échelle.
Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à cette Spécialisation.
Apprenez de nouveaux concepts auprès d'experts du secteur
Acquérez une compréhension de base d'un sujet ou d'un outil
Développez des compétences professionnelles avec des projets pratiques
Obtenez un certificat professionnel partageable
Il y a 4 modules dans ce cours
Ce cours couvre deux des plateformes open source les plus populaires pour les MLOps (Machine Learning Operations) : MLflow et Hugging Face. Nous passerons en revue les fondements de ce qu'il faut pour commencer à utiliser ces plateformes avec les opérations de base sur les modèles et les ensembles de données. Vous commencerez avec MLflow en utilisant des projets et des modèles avec son puissant système de suivi et vous apprendrez comment interagir avec ces modèles enregistrés depuis MLflow avec des exemples de cycle de vie complet. Ensuite, vous explorerez les référentiels Hugging Face afin de pouvoir stocker des ensembles de données, des modèles et créer des démonstrations interactives en direct.
À la fin du cours, vous serez en mesure d'appliquer des concepts MLOps tels que le réglage fin et le déploiement de modèles conteneurisés dans le Cloud. Ce cours est idéal pour tous ceux qui cherchent à percer dans le domaine des MLOps ou pour les professionnels MLOps expérimentés qui veulent améliorer leurs compétences en programmation.
Dans ce module, vous apprendrez ce qu'est MLflow et comment l'utiliser. Vous installerez MLflow et effectuerez des opérations de base telles que l'enregistrement de runs, de modèles et d'artefacts. Ensuite, vous créerez un projet MLflow pour obtenir des résultats reproductibles. Enfin, vous comprendrez comment utiliser un registre avec des modèles MLflow et référencer des artefacts à partir de l'API.
Inclus
13 vidéos13 lectures3 devoirs1 sujet de discussion1 laboratoire non noté
Afficher les informations sur le contenu du module
Introduction à l'interface utilisateur de suivi•9 minutes
Paramètres, version, artefacts et mesures•10 minutes
Travailler avec des projets MLflow•5 minutes
Créer un projet MLflow•8 minutes
Exécuter un projet à partir de dépôts Git distants•4 minutes
Connecter MLflow à des bases de données•5 minutes
Composants d'un paquet MLflow•6 minutes
Utilisation d'un registre avec un modèle MLflow•5 minutes
Référencement d'artefacts avec l'API•8 minutes
Sauvegarde et utilisation des modèles MLflow•8 minutes
13 lectures•Total 130 minutes
Rencontrez votre instructeur de soutien : Noah Gift•10 minutes
Structure du cours et étiquette des discussions•10 minutes
Démarrage et bonnes pratiques•10 minutes
Signaler un problème avec le cours•10 minutes
Termes clés•10 minutes
Qu'est-ce que MLFlow ?•10 minutes
Réflexion sur la leçon•10 minutes
Termes clés•10 minutes
Projets MLflow•10 minutes
Réflexion sur la leçon•10 minutes
Termes clés•10 minutes
Modèles MLflow•10 minutes
Réflexion sur la leçon•10 minutes
3 devoirs•Total 90 minutes
MLflow•30 minutes
Introduction à MLFlow•30 minutes
Projets MLflow•30 minutes
1 sujet de discussion•Total 10 minutes
Rencontre et accueil (facultatif)•10 minutes
1 laboratoire non noté•Total 60 minutes
Projets MLflow•60 minutes
Introduction à l'étreinte du visage
Module 2•5 heures à terminer
Détails du module
Dans ce module, vous apprendrez les bases de la plateforme Hugging Face. Vous utiliserez certaines de ses fonctionnalités comme ses référentiels afin de pouvoir stocker des modèles et des ensembles de données. Enfin, vous apprendrez à ajouter et à utiliser des modèles et des ensembles de données en utilisant les API de Hugging Face ainsi que l'interface web.
Inclus
14 vidéos9 lectures1 devoir1 laboratoire non noté
Afficher les informations sur le contenu du module
14 vidéos•Total 98 minutes
Qu'est-ce que le "Hugging Face" ?•6 minutes
Vue d'ensemble de la plateforme Hugging Face•5 minutes
Introduction au carrefour des visages câlins•5 minutes
Utilisation des référentiels de visages étreints•8 minutes
Utilisation des espaces de câlins•13 minutes
Introduction à l'application Hugging Face•2 minutes
Utilisation des espaces de code activés par le GPU•8 minutes
Utilisation de l'interface de programmation pour les visages étreints•2 minutes
Utilisation du carrefour des modèles•7 minutes
Téléchargement de modèles•8 minutes
Travailler avec des modèles•10 minutes
Ajout d'ensembles de données•7 minutes
Utilisation d'ensembles de données•11 minutes
Travailler avec des ensembles de données•7 minutes
9 lectures•Total 90 minutes
Termes clés•10 minutes
Hub à visage embrassant•10 minutes
Réflexion sur la leçon•10 minutes
Termes clés•10 minutes
CLI sur le visage de l'étreinte•10 minutes
Réflexion sur la leçon•10 minutes
Termes clés•10 minutes
Ensembles de données•10 minutes
Réflexion sur la leçon•10 minutes
1 devoir•Total 30 minutes
Principes de base de l'étreinte•30 minutes
1 laboratoire non noté•Total 60 minutes
Introduction à l'étreinte du visage•60 minutes
Déploiement d'un visage étreignant
Module 3•5 heures à terminer
Détails du module
Dans ce module, vous apprendrez à conteneuriser les modèles Hugging Face et à utiliser le framework FastAPI pour servir le modèle avec un endpoint API HTTP interactif. Une fois que vous aurez compris comment tout assembler, vous utiliserez l'automatisation pour gagner en rapidité et en reproductibilité. Enfin, vous utiliserez Azure et Docker Hub pour stocker les conteneurs afin qu'ils puissent être utilisés ultérieurement pour les déploiements.
Inclus
13 vidéos9 lectures3 devoirs1 laboratoire non noté
Afficher les informations sur le contenu du module
13 vidéos•Total 75 minutes
Le visage qui s'embrasse et FastAPI•4 minutes
Containerizing Hugging Face•4 minutes
Exécution de FastAPI avec Hugging Face•8 minutes
Emballage CI/CD avec les actions GitHub•10 minutes
Hugging Face et Azure ML Studio•5 minutes
Enregistrement d'un jeu de données de visages étreints sur Azure•8 minutes
Enregistrement d'un modèle de visage étreint sur Azure•6 minutes
Inspection d'un ensemble de données de visages étreints sur Azure•3 minutes
Azure ML Python SDK•6 minutes
Utiliser les actions GitHub pour les déploiements de modèles•6 minutes
Utiliser le registre de conteneurs Azure•4 minutes
Automatiser l'emballage avec Azure Container Registry•7 minutes
Automatiser l'emballage avec Docker Hub•6 minutes
9 lectures•Total 90 minutes
Termes clés•10 minutes
FastAPI•10 minutes
Réflexion sur la leçon•10 minutes
Termes clés•10 minutes
Azure ML Python SDK•10 minutes
Réflexion sur la leçon•10 minutes
Termes clés•10 minutes
Aperçu de Docker•10 minutes
Réflexion sur la leçon•10 minutes
3 devoirs•Total 90 minutes
Déploiement d'un visage étreignant•30 minutes
Quiz-emballage : le visage qui s'embrasse•30 minutes
Étreinte du visage et de l'azur•30 minutes
1 laboratoire non noté•Total 60 minutes
Emballage - Visage d'étreinte•60 minutes
Applied Hugging Face (visage étreignant)
Module 4•10 heures à terminer
Détails du module
Dans ce module, vous apprendrez à affiner les modèles de Visage en étreinte en utilisant des modèles préexistants, puis en les modifiant (en les affinant) avec des données supplémentaires. Vous utiliserez également Azure pour déployer le conteneur et apprendrez à le dépanner. Enfin, vous verrez comment déployer un modèle dans les espaces Hugging Face.
Inclus
17 vidéos11 lectures3 devoirs5 laboratoires non notés
Afficher les informations sur le contenu du module
17 vidéos•Total 90 minutes
Créer une application conteneurisée Azure•5 minutes
Configurer une application conteneurisée Azure•5 minutes
Déployer Hugging Face sur Azure•12 minutes
Dépannage du déploiement des conteneurs•4 minutes
Introduction à la théorie du réglage fin•3 minutes
Effectuer un réglage fin•8 minutes
Introduction à ONNX et à Hugging Face•9 minutes
Exportation de modèles de visages étreints vers ONNX•4 minutes
Introduction à l'espace des visages enlacés•5 minutes
Guide des espaces d'étreinte•6 minutes
Déploiement d'espaces d'étreinte•3 minutes
Concepts de participation aux bénéfices•6 minutes
Tragédie des biens communs de la GenAI•4 minutes
Théorie des jeux de la GenAI•5 minutes
La concurrence parfaite•3 minutes
Externalités négatives•3 minutes
L'esprit d'entreprise réglementaire•4 minutes
11 lectures•Total 110 minutes
Termes clés•10 minutes
Réflexion sur la leçon•10 minutes
Termes clés•10 minutes
Réflexion sur la leçon•10 minutes
Termes clés•10 minutes
L'esprit d'entreprise réglementaire•10 minutes
Approvisionnement éthique des ensembles de données•10 minutes
Applied Hugging Face (visage étreignant)•30 minutes
Quiz - Faire face avec Azure Containers•30 minutes
Quiz : Mise au point et exportation ONNX•30 minutes
5 laboratoires non notés•Total 300 minutes
Le visage qui s'embrasse et ONNX•60 minutes
Déploiement d'un visage étreignant•60 minutes
Bac à sable Jupyter TensorFlow final•60 minutes
VSCode Final Sandbox•60 minutes
Bureau Linux Bureau final•60 minutes
Obtenez un certificat professionnel
Ajoutez ce titre à votre profil LinkedIn, à votre curriculum vitae ou à votre CV. Partagez-le sur les médias sociaux et dans votre évaluation des performances.
Instructeurs
Évaluations de l’enseignant
Évaluations de l’enseignant
Nous avons demandé à tous les étudiants de fournir des commentaires sur nos enseignants au sujet de la qualité de leur pédagogie.
L'université Duke compte environ 13 000 étudiants de premier et deuxième cycles et un corps professoral de classe mondiale qui contribue à repousser les frontières de la connaissance. L'université s'est fermement engagée à appliquer les connaissances au service de la société, tant à proximité de son campus de Caroline du Nord que dans le monde entier.
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Felipe M.
Étudiant(e) depuis 2018
’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’
Jennifer J.
Étudiant(e) depuis 2020
’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’
Larry W.
Étudiant(e) depuis 2021
’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’
Chaitanya A.
’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’
Avis des étudiants
3.7
67 avis
5 stars
43,28 %
4 stars
22,38 %
3 stars
11,94 %
2 stars
8,95 %
1 star
13,43 %
Affichage de 3 sur 67
N
ND
5·
Révisé le 21 août 2024
Great learning resources that will be useful long after completing the course, concise presentations, and clear explanations of all topics
Votre cours nécessite-t-il l'utilisation d'un logiciel payant ?
Non, les exercices et les laboratoires sont construits directement dans le cours en utilisant les Coursera Labs intégrés (VS Code + Jupyter Notebooks). Quelques exercices guident les apprenants dans le déploiement de modèles dans le Cloud. Dans ce cas, des instructions sont fournies aux apprenants pour créer et accéder à un compte Azure gratuit.
Quand aurai-je accès aux cours et aux devoirs ?
Pour accéder aux supports de cours, aux devoirs et pour obtenir un certificat, vous devez acheter l'expérience de certificat lorsque vous vous inscrivez à un cours. Vous pouvez essayer un essai gratuit ou demander une aide financière. Le cours peut proposer l'option "Cours complet, pas de certificat". Cette option vous permet de consulter tous les supports de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cela signifie également que vous ne pourrez pas acheter un certificat d'expérience.
Qu'est-ce que je recevrai si je souscris à cette Specializations ?
Lorsque vous vous inscrivez au cours, vous avez accès à tous les cours de la spécialisation et vous obtenez un certificat lorsque vous terminez le travail. Votre certificat électronique sera ajouté à votre page Réalisations - de là, vous pouvez imprimer votre certificat ou l'ajouter à votre profil LinkedIn.
Une aide financière est-elle disponible ?
Oui, pour certains programmes de formation, vous pouvez demander une aide financière ou une bourse si vous n'avez pas les moyens de payer les frais d'inscription. Si une aide financière ou une bourse est disponible pour votre programme de formation, vous trouverez un lien pour postuler sur la page de description.