Machine Learning Operations Cursus

Les 1 • Wat MLOps Oplost

Definieert de kloof tussen experimentele ML en productiesystemen. Verankert het hoofdstuk door te kaderen waarom operationele discipline essentieel is voor het leveren van ML-waarde.

Les 2 • Kernprincipes van MLOps

Introduceert reproduceerbaarheid, automatisering en monitoring als fundamentele pijlers. Verbindt elk principe met meetbare resultaten in modelbetrouwbaarheid.

Les 3 • DevOps-concepten toegepast op ML

Vertaalt CI/CD, infrastructuur-als-code en agile praktijken naar ML-contexten. Stelt studenten in staat DevOps-toolkennis te hergebruiken binnen ML-pipelines.

Les 4 • Rollen en Teamstructuren

Definieert de verantwoordelijkheden van ML-engineers, data scientists en platform-engineers. Verduidelijkt samenwerkingsgrenzen die van invloed zijn op ontwerpbeslissingen voor pipelines.

Les 1 • Feature Stores en Hergebruik

Legt offline en online feature stores en hun rol in consistentie uit. Vermindert de scheefgroei tussen training en serving door feature-berekening te centraliseren.

Les 2 • Data Lineage en Governance

Behandelt end-to-end-lineage-tracking en toegangscontrole voor ML-datasets. Ondersteunt auditbaarheid en nalevingsvereisten in gereguleerde omgevingen.

Les 3 • Datavalidatie en -kwaliteit

Introduceert statistische en op schema's gebaseerde validatietechnieken die bij inname worden toegepast. Voorkomt dat stille datacorruptie doorsijpelt naar modeltraining.

Les 4 • Strategieën voor Datasetversiebeheer

Leert onveranderlijke dataset-snapshots, deltaversiebeheer en metadatatagging. Maakt volledige reproduceerbaarheid van elke historische trainingsrun mogelijk.

Les 1 • Hyperparameterbeheer

Leert systematische zoekstrategieën en configuratiebeheer voor hyperparameters. Verbindt afstemmingsdiscipline met snellere convergentie en eerlijke modelvergelijking.

Les 2 • Audit op Reproduceerbaarheid

Definieert reproduceerbaarheidsniveaus en methoden voor het verifiëren van heruitvoering van experimenten. Bereidt studenten voor op het diagnosticeren en oplossen van niet-determinisme in trainingspipelines.

Les 3 • Basisprincipes van Modelregistratie

Introduceert gecentraliseerde modelregisters voor het opslaan en faseren van getrainde modellen. Biedt de artefactbeheerlaag die nodig is voor gecontroleerde implementatie.

Les 4 • Grondbeginselen van Experiment Tracking

Introduceert het loggen van parameters, statistieken en artefacten tijdens trainingsruns. Vestigt de gewoonte van gestructureerde administratie die centraal staat voor reproduceerbare ML.

Les 1 • Ontwerpprincipes voor Pipelines

Behandelt modulariteit, idempotentie en foutisolatie in pijplijnarchitectuur. Legt ontwerpregels vast die pipelines onderhoudbaar en debugbaar maken.

Les 2 • Workflow-orkestratietools

Onderzoekt DAG-gebaseerde orkestratieframeworks en hun planningsmogelijkheden. Stelt studenten in staat orkestrators te selecteren en configureren voor diverse ML-workloads.

Les 3 • Continue Trainingspatronen

Behandelt geplande hertraining, gebeurtenisgestuurde hertraining en champion-challenger-opstellingen. Houdt modellen automatisch actueel met veranderende datadistributies.

Les 4 • Geautomatiseerde Trainingspipelines

Bouwt pipelines die datavoorbereiding, training en evaluatiestappen end-to-end automatiseren. Vermindert handmatige interventie en maakt continue training op nieuwe data mogelijk.

Les 1 • API's en Contracten voor Model Serving

Behandelt API-schemaontwerp, versiebeheer en achterwaartse compatibiliteit voor modelendpoints. Voorkomt dat baanbrekende wijzigingen stroomafwaartse gebruikers verstoren.

Les 2 • Infrastructuur voor Serving en Schaalvergroting

Introduceert load balancing, automatisch schalen en resource-toewijzing voor inferentie. Zorgt dat systemen voor serving voldoen aan SLA's voor latentie en doorvoer onder wisselende belasting.

Les 3 • Containerisatie voor Model Serving

Behandelt het verpakken van modellen in containers met reproduceerbare runtime-omgevingen. Maakt draagbare, omgevingsonafhankelijke modelimplementatie mogelijk op verschillende infrastructuren.

Les 4 • Progressieve Implementatiestrategieën

Leert canary-releases, blue-green-implementaties en schaduwmodus-testen. Vermindert implementatierisico door nieuwe modellen veilig te valideren met live verkeer.

Les 1 • Geautomatiseerde Modelvalidatiepoorten

Definieert kwaliteitspoorten die modelpromotie blokkeren wanneer aan evaluatiecriteria niet wordt voldaan. Voorkomt automatisch dat ondermaats presterende modellen de productie bereiken.

Les 2 • ML CI/CD-architectuur

Brengt CI/CD-fasen in kaart voor ML-specifieke artefacten, waaronder data, code en modellen. Biedt het architecturale blauwdruk voor geautomatiseerde ML-leveringspipelines.

Les 3 • Testen in de ML-Leveringspijplijn

Integreert datavalidatie, modeltests en servingtests in de CI/CD-stroom. Zorgt dat elke pijplijnfase een geautomatiseerde kwaliteitscontrole heeft vóór promotie.

Les 4 • Infrastructuuromatisering voor ML

Past infrastructuur-als-code toe om trainings- en servingomgevingen consistent in te richten. Elimineert omgevingsdrift tussen ontwikkeling, staging en productie.

Les 1 • Alarmering en Incidentrespons

Ontwerpt alarmregels, escalatiepaden en runbooks voor ML-productie-incidenten. Verkort de gemiddelde tijd tot oplossing door gestructureerde responsprocedures.

Les 2 • Pijlers van Observeerbaarheid voor ML

Introduceert logs, statistieken en traces als de drie pijlers van observeerbaarheid toegepast op ML. Legt de instrumentatiebasis voor alle monitoringsstrategieën.

Les 3 • Detectie van Datadrift

Behandelt statistische tests en afstandsmaten voor het detecteren van verschuivingen in invoerdistributies. Maakt vroegtijdige waarschuwing mogelijk voordat modelprestaties in productie verslechteren.

Les 4 • Monitoring van Modelprestaties

Volgt statistieken over voorspellingskwaliteit in de tijd met behulp van grondwaarheid en proxy-signalen. Verbindt prestatieontwikkelingen met beslissingen over hertraining en terugdraaien.

Les 1 • Kostenbeheer voor ML-Infrastructuur

Analyseert kosten voor compute, opslag en serving en past optimalisatiestrategieën toe. Voorkomt ongebreidelde infrastructuurkosten naarmate ML-workloads over teams worden opgeschaald.

Les 2 • Modelgovernance en Auditbaarheid

Behandelt modelcards, goedkeuringsworkflows en audit trails voor productiemodellen. Maakt verantwoording en traceerbaarheid mogelijk die vereist zijn in gereguleerde of risicovolle domeinen.

Les 3 • Platformengineering voor ML-Teams

Ontwerpt interne ML-platforms die infrastructurele complexiteit abstraheren van beoefenaars. Versnelt teamproductiviteit door selfservicetools en golden paths.

Les 4 • MLOps-volwassenheidsmodellen

Introduceert volwassenheidsframeworks van handmatige processen tot volledig geautomatiseerde ML-platforms. Helpt organisaties de huidige staat te beoordelen en prioriteit te geven aan verbeteringsinvesteringen.