Deploying Scalable Machine Learning for Data Science 为数据科学部署可扩展的机器学习 Lynda课程中文字幕

Deploying Scalable Machine Learning for Data Science 中文字幕

为数据科学部署可扩展的机器学习 中文字幕Deploying Scalable Machine Learning for Data Science

机器学习模型通常在复杂的生产环境中运行，可以适应大数据的潮起潮落
帮助数据科学家快速构建机器学习模型的工具和实践不足以大规模部署这些模型
要提供可扩展的解决方案，您需要一个全新的工具集
本课程为数据科学家和DevOps工程师提供可扩展机器学习架构的通用设计模式概述，以及在生产中部署和维护机器学习模型的工具
讲师Dan Sullivan回顾了三种支持可扩展机器学习的技术：通过API公开模型的服务，用于部署模型的容器，以及帮助管理容器和集群的Kubernetes等编排工具
此外，还可获得有关在生产环境中监控服务性能的提示

主题包括：
定义可伸缩性
可扩展机器学习的工具和技术
可扩展系统的架构设计模式
机器学习模型作为服务
集装箱模型
Kubernetes用于容器编排
监控性能
扩展机器学习模型的最佳实践

• [讲师]欢迎来到关于缩放机器学习模型的本课程。
  在本课程中，您将了解开发机器学习模型与将其部署到可扩展生产环境之间的区别。
  我们首先回顾一下模型构建过程，并讨论确保我们的应用程序可扩展的要求。
  然后，我们将检查三层可扩展的机器学习堆栈。
  首先是使用服务通过API公开机器学习模型。
  其次，我们将介绍用于将模型和相关代码部署到生产环境的容器。
  然后我们将结束用于管理运行我们的机器学习模型的服务器集群的编排工具。
  我们还将讨论在生产环境中进行监控的必要性。
  因此，让我们开始扩展机器学习模型。
  本课程视频下载地址:为数据科学部署可扩展的机器学习