Is prior programming experience required?

Yes, basic programming experience, particularly with Python, is recommended to succeed in this course. Familiarity with data concepts and machine learning fundamentals will also be helpful.

What will I get if I subscribe to this Specialization?

When you enroll in the course, you get access to all of the courses in the Specialization, and you earn a certificate when you complete the work. Your electronic Certificate will be added to your Accomplishments page - from there, you can print your Certificate or add it to your LinkedIn profile.

Is financial aid available?

Yes. In select learning programs, you can apply for financial aid or a scholarship if you can’t afford the enrollment fee. If fin aid or scholarship is available for your learning program selection, you’ll find a link to apply on the description page.

Deploy ML Models to Production

Obtenez l'une de nos meilleures offres avec Coursera Plus pour 199 $ (habituellement 399 $). Économisez maintenant.

Ce cours n'est pas disponible en Français (France)

Nous sommes actuellement en train de le traduire dans plus de langues.

Deploy ML Models to Production

Ce cours fait partie de Spécialisation "Hands-On MLOps Fundamentals for ML Engineers"

Instructeur : Mumshad Mannambeth

Inclus avec

Demander à Coursera

3 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

niveau Débutant

Expérience recommandée

4 heures à compléter

Planning flexible

Apprenez à votre propre rythme

3 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

niveau Débutant

Expérience recommandée

4 heures à compléter

Planning flexible

Apprenez à votre propre rythme

Ce que vous apprendrez

Build and deploy machine learning models to production environments.
Implement MLOps practices for model versioning, tracking, and serving.
Secure data and models, ensuring compliance with privacy regulations.
Utilize AWS SageMaker and BentoML for cloud-based ML operations.

Compétences que vous acquerrez

Catégorie : Model Optimization
Catégorie : Data Management
Catégorie : MLOps (Machine Learning Operations)
Catégorie : Application Deployment
Catégorie : Data Governance
Catégorie : Cloud Deployment
Catégorie : Information Privacy
Catégorie : Model Evaluation
Catégorie : Model Training
Catégorie : Data Security
Catégorie : General Data Protection Regulation (GDPR)

Outils que vous découvrirez

Catégorie : Application Programming Interface (API)
Catégorie : Model Deployment
Catégorie : Amazon Web Services
Catégorie : AWS SageMaker

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Récemment mis à jour !

mars 2026

Évaluations

3 devoirs

Enseigné en Anglais

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

En savoir plus sur Coursera pour les affaires

logos de Petrobras, TATA, Danone, Capgemini, P&G et L'Oreal

Élaborez votre expertise du sujet

Ce cours fait partie de la Spécialisation "Hands-On MLOps Fundamentals for ML Engineers"

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 3 modules dans ce cours

This comprehensive course is designed for aspiring MLOps engineers and data scientists looking to bridge the gap between experimental notebooks and robust production environments. You will begin by establishing a strong foundation in model development, exploring the hardware essentials of CPUs and GPUs, and mastering hyperparameter tuning. The curriculum moves rapidly into industrial-grade experimentation using MLflow, where you will learn to track parameters, manage model artifacts, and control versioning through hands-on labs.

The second half of the course focuses on real-world application through a specialized project: building a deployment pipeline for an Insurance Claim application. You will gain practical experience generating synthetic data, setting up dedicated MLflow servers, and utilizing BentoML for high-performance model serving. By upgrading a standard Flask application to interact with a professional serving infrastructure, you will master the art of online model delivery. This course ensures you leave with the technical confidence to register, deploy, and manage machine learning models in a live operational setting.

This module focuses on the transition of machine learning models from static files to live, scalable services. You will explore the differences between online and offline serving architectures and learn to handle model drift to ensure long-term accuracy. By the end of this module, you will be proficient in using BentoML to package, deploy, and upgrade model versions in a production environment.

Inclus

6 vidéos1 lecture1 devoir

6 vidéosTotal 41 minutes

Introduction to Model Serving10 minutes
Model Drift and Online/Offline Serving11 minutes
Model Deployment and Serving5 minutes
Demo: Model Serving using BentoML - Part 15 minutes
Demo: Model Serving using BentoML - Part 25 minutes
Demo: Upgrading Model Versions with BentoML Serving4 minutes

1 lectureTotal 10 minutes

How to Reach Out and Engage with the Community10 minutes

1 devoirTotal 30 minutes

Quiz: Model Serving30 minutes

This module covers the legal and ethical framework of MLOps, focusing on data privacy, security, and global compliance standards like GDPR and HIPAA. You will learn to manage data access and retention policies to protect sensitive information.

Inclus

9 vidéos3 lectures1 devoir

9 vidéosTotal 48 minutes

Monitoring Tools (Prometheus, Grafana, Evidently)5 minutes
Data Privacy and Data Security10 minutes
Data Access Management7 minutes
Data Retention7 minutes
Need of Compliance and GDPR5 minutes
HIPAA Compliance 3 minutes
PCI Compliance4 minutes
Compliance Consequences and Penalties3 minutes
Compliance Summary2 minutes

3 lecturesTotal 30 minutes

Lab: Model Serving using BentoML10 minutes
Quiz - Data Security and Governance 10 minutes
Quiz - Data Security and Governance10 minutes

1 devoirTotal 30 minutes

Data Security and Governance 30 minutes

This module provides a deep dive into the AWS SageMaker ecosystem, preparing you to manage the full ML lifecycle on a leading cloud platform.

Inclus

3 vidéos1 devoir

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.

Instructeur

Mumshad Mannambeth

KodeKloud

21 Cours38 950 apprenants

Offert par

KodeKloud

En savoir plus sur Machine Learning

Statut : Essai gratuit
Coursera
Deploy & Optimize ML Services Confidently
Cours
Statut : Essai gratuit
Coursera
ML Production Systems
Spécialisation
Statut : Essai gratuit
Pragmatic AI Labs
Production ML with Hugging Face
Cours
Statut : Essai gratuit
Coursera
Gradient to Production: MLOps & Model Serving
Spécialisation

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.’

Foire Aux Questions

MLOps combines machine learning, development, and operations to streamline the lifecycle of ML models. It ensures efficient deployment, monitoring, and management of machine learning projects in production, improving data handling and overall operational success.

The course covers data security, privacy, and compliance standards like GDPR. You will learn to implement policies for data access and retention, crucial for managing sensitive data in machine learning projects, especially in sectors like insurance.

You will build a practical deployment project for an insurance claim application. This project involves generating synthetic data, setting up MLflow servers, and integrating models using APIs for online delivery.

To access the course materials, assignments and to earn a Certificate, you will need to purchase the Certificate experience when you enroll in a course. You can try a Free Trial instead, or apply for Financial Aid. The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.