Bereitstellen und Debuggen von ML Microservices

Sichern Sie sich 60 € Ersparnis und erweitern Sie Ihre Fähigkeiten mit Coursera Plus. Sparen Sie 3 Monate lang 40%.

Bereitstellen und Debuggen von ML Microservices

Dieser Kurs ist Teil von Spezialisierung „Maschinelles Lernen leicht gemacht für Software-Ingenieure“

Dozent: Professionals from the Industry

Bei Mehr erfahren enthalten

10 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

Stufe Mittel

Empfohlene Erfahrung

9 Stunden zu vervollständigen

Flexibler Zeitplan

In Ihrem eigenen Lerntempo lernen

10 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

Stufe Mittel

Empfohlene Erfahrung

9 Stunden zu vervollständigen

Flexibler Zeitplan

In Ihrem eigenen Lerntempo lernen

Was Sie lernen werden

Stellen Sie Machine-Learning-Modelle mithilfe von Containerisierungs- und Orchestrierungstools wie Docker und Kubernetes bereit
Entwicklung skalierbarer ML-Inferenzdienste unter Anwendung der Prinzipien der Microservice-Architektur
Überwachung und Fehlerbehebung bei ML-Systemen mithilfe von Protokollen, Testverfahren und Leistungsanalysen

Kompetenzen, die Sie erwerben

Kategorie: Software-Architektur
Kategorie: Kontinuierliche Überwachung
Kategorie: Systemüberwachung
Kategorie: Bereitstellung von Anwendungen
Kategorie: Dienstleistungsebene
Kategorie: Software-Prüfung
Kategorie: Containerisierung
Kategorie: Fehlersuche
Kategorie: Architektur des Cloud Computing
Kategorie: CI/CD
Kategorie: Systemarchitektur
Kategorie: MLOps (Operationen für maschinelles Lernen)
Kategorie: Microservices
Kategorie: Verwaltung der Anwendungsleistung
Kategorie: Einheitliche Prüfung
Kategorie: Software-Entwicklung

Werkzeuge, die Sie lernen werden

Kategorie: Kubernetes
Kategorie: Restful API
Kategorie: Docker (Software)
Kategorie: Modell-Einsatz

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Bewertungen

17 Zuweisungen¹

KI-bewertet siehe Haftungsausschluss

Unterrichtet in Englisch

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Weitere Informationen zu Coursera für Unternehmen

Logos von Petrobras, TATA, Danone, Capgemini, P&G und L'Oreal

Erweitern Sie Ihre Fachkenntnisse

Dieser Kurs ist Teil der Spezialisierung Spezialisierung „Maschinelles Lernen leicht gemacht für Software-Ingenieure“

Wenn Sie sich für diesen Kurs anmelden, werden Sie auch für diese Spezialisierung angemeldet.

Lernen Sie neue Konzepte von Branchenexperten
Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
Erwerben Sie ein Berufszertifikat zur Vorlage

In diesem Kurs gibt es 10 Module

Die Bereitstellung von Machine-Learning-Modellen in Produktionssystemen erfordert mehr als nur das Trainieren eines Modells – sie erfordert zuverlässige Verfahren für die Bereitstellung, Überwachung und Fehlerbehebung. In diesem Kurs lernen Sie, wie Sie Machine-Learning-Modelle als skalierbare Dienste bereitstellen und diese innerhalb realer Softwarearchitekturen warten.

Zunächst lernen Sie, wie Sie Machine-Learning-Modelle mithilfe von Containerisierungs- und Orchestrierungstechnologien verpacken und bereitstellen. Sie wenden Tools wie Docker und Kubernetes an, um die Anwendungsbereitstellung zu verwalten und sicherzustellen, dass die Modelle in allen Umgebungen konsistent laufen. Anschließend entwerfen Sie Machine-Learning-Dienste, die sich in verteilte Systemarchitekturen integrieren lassen. Sie beschäftigen sich mit Entwurfsmustern für Microservices, implementieren REST-basierte Inferenzdienste und analysieren Kommunikationsmuster, die ein skalierbares Systemverhalten unterstützen. Außerdem lernen Sie, wie Sie bereitgestellte ML-Systeme mithilfe von Protokollen, Metriken und Tracing-Tools überwachen, um Leistungsprobleme und Systemengpässe aufzudecken. Schließlich wenden Sie Debugging- und Testtechniken an, um Probleme im Machine-Learning-Code und in der Infrastruktur zu diagnostizieren und zu beheben. Im Rahmen eines praktischen Projekts stellen Sie einen Machine-Learning-Mikroservice bereit und beheben Fehler, um sicherzustellen, dass er unter realen Bedingungen zuverlässig funktioniert.

Sie werden Containerisierung und Orchestrierung einsetzen, um Anwendungen bereitzustellen und zu verwalten.

Das ist alles enthalten

3 Videos2 Lektüren2 Aufgaben

3 VideosInsgesamt 10 Minuten

Einführung und Begrüßung2 Minuten
Erstellen einer Dockerfile-Datei für Ihr Modell3 Minuten
Bereitstellung von Containern in Kubernetes4 Minuten

2 LektürenInsgesamt 18 Minuten

Veröffentlichung in einem internen Register8 Minuten
Verwaltung und Überwachung von Containern10 Minuten

2 AufgabenInsgesamt 55 Minuten

Praktische Übung: Erstellen, Bereitstellen und Testen Ihres Modells25 Minuten
Benotetes Quiz: Bereitstellung und Orchestrierung von ML-Modellen30 Minuten

Sie werden einen RESTful-Inferenzdienst erstellen und diesen in eine CI/CD-Pipeline integrieren.

Das ist alles enthalten

3 Videos1 Lektüre3 Aufgaben

3 VideosInsgesamt 11 Minuten

Willkommen und Kursübersicht3 Minuten
Vom Modell zum Dienst – Der Weg zur RESTful-Inferenz 5 Minuten
Kontinuierliche Integration – Testen für mehr Sicherheit 3 Minuten

1 LektüreInsgesamt 6 Minuten

Bereitstellung von Scikit-Learn-Modellen als REST-APIs mit Fast API: Ein Leitfaden für Entwickler6 Minuten

3 AufgabenInsgesamt 51 Minuten

Praktische Übung: Erstellen Sie Ihre eigene Inferenz-API25 Minuten
Praktische Übung: Automatisieren, Erstellen und Bereitstellen mit GitHub Actions 20 Minuten
Übungsquiz: Vom Notizbuch bis zur Produktion6 Minuten

Sie werden die Leistungskennzahlen eines bereitgestellten Dienstes anhand der SLA-Ziele bewerten.

Das ist alles enthalten

3 Videos2 Lektüren2 Aufgaben

3 VideosInsgesamt 16 Minuten

Was bedeutet „gute Leistung“ eigentlich?5 Minuten
Latenzmessung – Tools, Vorgehensweise und warum sie wichtig ist6 Minuten
Optimieren Sie mit Zuversicht – Skalierung und Container-Optimierungen6 Minuten

2 LektürenInsgesamt 11 Minuten

P50 vs. P95 vs. P99 Latenz: Was diese Perzentile tatsächlich bedeuten (und wie man sie nutzt)5 Minuten
Wie P90, P95 und P99 die Systemleistung beeinflussen6 Minuten

2 AufgabenInsgesamt 50 Minuten

Praktische Übung: Belastungstest, Optimierung und Validierung Ihres ML-Dienstes30 Minuten
Benotetes Quiz: Herausforderung zur Konfidenz des Inferenzdienstes 20 Minuten

Sie werden die Prinzipien des Microservice-Designs anwenden, um einen ML-Inferenzdienst in eine Systemarchitektur zu integrieren.

Das ist alles enthalten

3 Videos1 Lektüre1 Aufgabe

3 VideosInsgesamt 15 Minuten

Begrüßung und Kurseinführung3 Minuten
Vom Modell zum Microservice – Design im Hinblick auf die Integration6 Minuten
Wie sich ML-Mikroservices in die Systemarchitektur einfügen6 Minuten

1 LektüreInsgesamt 6 Minuten

Service Mesh in Microservices6 Minuten

1 AufgabeInsgesamt 20 Minuten

Praktische Übung: Erstellen und Registrieren eines gRPC-ML-Mikroservices 20 Minuten

Sie werden die Kommunikationsmuster zwischen den Diensten analysieren, um asynchrones Messaging zur Gewährleistung der Skalierbarkeit zu implementieren.

Das ist alles enthalten

2 Videos1 Lektüre2 Aufgaben

2 VideosInsgesamt 10 Minuten

Skalierung von ML-Systemen mit asynchroner Nachrichtenübermittlung5 Minuten
Aufbau einer Prognosewarteschlange: Muster aus der Praxis6 Minuten

1 LektüreInsgesamt 6 Minuten

Kafka-Datenpipelines: Best Practices für Streaming mit hohem Durchsatz6 Minuten

2 AufgabenInsgesamt 30 Minuten

Praktische Übung: Aufbau einer Kafka-Vorhersage-Pipeline25 Minuten
Übungsquiz: Bewertung asynchrer Muster, Partitionierungsoptionen und Durchsatzberechnungen5 Minuten

Sie werden die Beobachtbarkeit des Systems anhand von Protokollen, Metriken und verteilter Ablaufverfolgung bewerten, um den Zustand und die Leistung des Systems aufrechtzuerhalten.

Das ist alles enthalten

1 Video1 Lektüre2 Aufgaben

1 VideoInsgesamt 6 Minuten

Einführung in die Observability: Protokolle, Metriken und Tracing für ML-Mikroservices6 Minuten

1 LektüreInsgesamt 6 Minuten

ML-Observability: Der umfassende Leitfaden für moderne KI-Systeme6 Minuten

2 AufgabenInsgesamt 50 Minuten

Projekt: Überwachung, Messung und Analyse Ihres ML-Mikroservices30 Minuten
Benotetes Quiz: Herausforderung zur Integration und Skalierung von ML-Mikroservices20 Minuten

Sie werden Softwaretestverfahren anwenden, um Fehler im Code für maschinelles Lernen aufzuspüren.

Das ist alles enthalten

2 Videos1 Lektüre1 Aufgabe

2 VideosInsgesamt 12 Minuten

Willkommen: Wie Sie durch Tests Fehler in ML-Modellen schneller beheben können3 Minuten
Pytest-Testsfälle für ML-Vorverarbeitungsfunktionen schreiben10 Minuten

1 LektüreInsgesamt 5 Minuten

Testen von ML-Code: Strategien zur frühzeitigen Erkennung von Fehlern5 Minuten

1 AufgabeInsgesamt 12 Minuten

Praktische Übung: Unit-Tests für eine Feature-Engineering-Funktion schreiben12 Minuten

Sie analysieren Stack-Traces und Protokolle, um die Ursache von Systemausfällen zu ermitteln.

Das ist alles enthalten

1 Video1 Lektüre1 Aufgabe

Sie werden die Korrekturmaßnahmen bewerten, um die Behebung des Mangels zu bestätigen.

Das ist alles enthalten

1 Video1 Lektüre2 Aufgaben

1 VideoInsgesamt 5 Minuten

Regressionstests für ML: Wann ist ein Fehler wirklich behoben?5 Minuten

1 LektüreInsgesamt 6 Minuten

Patch, Überprüfung, Freigabe: Der Workflow für ML-Korrekturen6 Minuten

2 AufgabenInsgesamt 30 Minuten

Praktische Übung: Führen Sie eine vollständige Testsuite aus und vergleichen Sie die Metriken vor und nach dem Test10 Minuten
Debugging in der Praxis: ML-Fehler erkennen, beheben und validieren20 Minuten

In diesem Projekt entwerfen und implementieren Sie ein containerisiertes Microservice-System für maschinelles Lernen, das Modellvorhersagen über eine skalierbare Inferenz-API bereitstellt. Eine Finanzdienstleistungsplattform nutzt ein Modell für maschinelles Lernen, um das Kreditrisiko bei Kreditanträgen einzuschätzen, und das Entwicklerteam muss dieses Modell als zuverlässigen Produktionsdienst bereitstellen, der Tausende von Anfragen pro Stunde verarbeiten kann. Ihre Aufgabe ist es, eine vereinfachte ML-Inferenz-Mikroservice-Architektur aufzubauen, die eine Python-basierte Inferenz-API, Docker-Containerisierung, eine Kubernetes-Bereitstellungskonfiguration, einen RESTful-Inferenzdienst mit CI/CD-Pipeline-Integration, Kommunikationsmuster zwischen Diensten für asynchrones Messaging, Observabilität mithilfe strukturierter Protokolle, Metriken und verteilter Ablaufverfolgung, Leistungsüberwachung anhand von Metriken auf Dienstebene, Debugging-Analyse simulierter Laufzeitfehler sowie eine Strategie für Regressionstests umfasst. Das Endergebnis ist ein modulares Skript für den Inferenz-Mikroservice sowie die Bereitstellungskonfiguration, zusammen mit einer strukturierten technischen Erläuterung, in der die Entscheidungen bezüglich Bereitstellung, Kommunikation, Beobachtbarkeit und Fehlerbehebung beschrieben werden.

Das ist alles enthalten

2 Lektüren1 Aufgabe

Erwerben Sie ein Karrierezertifikat.

Fügen Sie dieses Zeugnis Ihrem LinkedIn-Profil, Lebenslauf oder CV hinzu. Teilen Sie sie in Social Media und in Ihrer Leistungsbeurteilung.

Dozent

Professionals from the Industry

514 Kurse158.385 Lernende

von

Coursera

Mehr von Software-Entwicklung entdecken

Packt
DevOps to MLOps Bootcamp– Build & Deploy ML Systems
Kurs
Coursera
Deploy & Optimize ML Services Confidently
Kurs
Status: Kostenloser Testzeitraum
Coursera
Deploy, Manage, and Orchestrate Your Models
Kurs
Status: Kostenloser Testzeitraum
Board Infinity
DevOps for Machine Learning: CI/CD, APIs & Deployment
Kurs
Status: Kostenloser Testzeitraum

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.

Lernender seit 2018

„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“

Jennifer J.

Lernender seit 2020

„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“

Larry W.

Lernender seit 2021

„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“

Chaitanya A.

„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“

Nutzen Sie mit unserem Labor-Day-Angebot mehr als 10.000 Programme
Coursera Plus abonnieren
Beginnen Sie mit einfachen Einsparungsmöglichkeiten für hart arbeitende Teams
Sparen Sie heute 30 %

Häufig gestellte Fragen

Um auf Kursmaterialien und Aufgaben zugreifen zu können und ein Zertifikat zu erwerben, müssen Sie bei der Anmeldung zu einem Kurs die Option „Zertifikat“ erwerben. Berechtigte Lernende haben möglicherweise auch die Möglichkeit, mit einer kostenlosen Testphase zu beginnen. Bei einigen Kursen wird möglicherweise auch die Option „Vollständiger Kurs, kein Zertifikat“ angeboten. Damit haben Sie Zugriff auf die Kursmaterialien, können die erforderlichen Prüfungen einreichen und erhalten eine Abschlussnote, können jedoch kein Zertifikat erwerben oder erhalten.

Wenn Sie sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Spezialisierung, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Seite "Leistungen" hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder Ihrem LinkedIn-Profil hinzufügen.

Ja. Für ausgewählte Lernprogramme können Sie finanzielle Unterstützung oder ein Stipendium beantragen, wenn Sie die Einschreibegebühr nicht aufbringen können. Wenn für das von Ihnen gewählte Lernprogramm eine finanzielle Unterstützung oder ein Stipendium verfügbar ist, finden Sie auf der Beschreibungsseite einen Link zur Beantragung.

Weitere Fragen

Besuchen Sie die das Hilfe-Center für Kursteilnehmer.

Finanzielle Unterstützung verfügbar,

¹ Einige Aufgaben in diesem Kurs werden mit AI bewertet. Für diese Aufgaben werden Ihre Daten in Übereinstimmung mit Datenschutzhinweis von Courseraverwendet.