Machine Learning Operations (MLOps)

4.48 •

Machine Learning

Learning Path

Machine Learning Operations (MLOps)

Teknologi:

Machine Learning

Level: Mahir

Level: Mahir 45 Jam Belajar

2.212

Siswa Terdaftar

Pelajari proses pengembangan dan pengoperasian sistem machine learning dalam lingkup produksi dengan menerapkan berbagai prinsip MLOps.

Belajar Sekarang

Informasi kelas Lihat silabus

Learning Path Machine Learning Developer

Kelas ini merupakan langkah ke-enam Anda untuk menjadi Machine Learning Developer.

Langkah sebelumnya

Langkah 5

Machine Learning Terapan

40 Jam 4,87 Level Mahir

Apa yang akan Anda dapatkan

Sertifikat

Dapatkan sertifikat standar industri setelah menyelesaikan kelas ini.

Code Review

Kode yang Anda kerjakan akan di-review secara komprehensif oleh Reviewer.

Forum Diskusi

Diskusikan materi belajar dengan siswa lainnya.

Modul Tutorial

Materi bacaan elektronik disajikan dengan bahasa yang mudah dipahami.

Submission

Uji kemampuan teknis Anda dengan mengerjakan tugas submission.

Kuis

Kuis pilihan ganda membantu Anda memahami materi yang dipelajari.

Ujian

Validasi pengetahuan Anda dengan mengerjakan soal-soal ujian.

Level Mahir
Menguasai materi dan latihan tingkat lanjut. Kelas ini mensyaratkan sejumlah penguasaan landasan pengetahuan yang baik.

Deskripsi

MLOps merupakan sebuah best practice untuk melakukan standardisasi terhadap proses pengembangan sistem machine learning dan pengoperasiannya di sistem produksi. Pada lingkup industri, standaridisasi terhadap keseluruhan proses ini merupakan kunci utama dalam menghasilkan sistem machine learning yang bersifat reliable, scalable, adaptable, dan maintainable. Selain itu, penerapan MLOps dapat membantu kita dalam mencegah resiko munculnya technical debt dan memastikan akuntabilitas dari sistem yang dibuat.

Tingginya kebutuhan akan sistem machine learning yang bersifat reliable, scalable, adaptable, dan maintainable di industri.
Prinsip MLOps merupakan bagian penting dalam pengembangan dan pengoperasian sistem machine learning di industri.
MLOps dapat membantu kita dalam membuat sistem machine learning yang reliable, scalable, adaptable, dan maintainable.
Pemahaman terhadap penerapan prinsip MLOps merupakan kompetensi utama untuk menjadi seorang Machine Learning Engineer yang andal.
Kebutuhan karir di bidang Machine Learning sangatlah tinggi karena jumlah praktisi yang masih sedikit sehingga peluangnya masih sangat besar.

Target dan Sasaran Siswa

Kelas ditujukan bagi Machine Learning Developer ataupun Engineer yang ingin mempelajari tentang teknik pengembangan dan pengoperasian sistem machine learning di industri.
Kelas dapat diikuti oleh siswa yang melek IT sehingga wajib memiliki dan dapat mengoperasikan komputer dengan baik.
Kelas ini didesain untuk siswa yang sudah memiliki pengetahuan mendalam mengenai machine learning.
Siswa harus bisa belajar mandiri, berkomitmen, benar-benar punya rasa ingin tahu, dan tertarik pada subjek materi, karena sebaik apa pun materi kelas ini, tidak akan berguna tanpa keseriusan siswa untuk belajar, berlatih, dan mencoba.
Di akhir kelas, siswa dapat membuat sistem machine learning end-to-end yang bersifat reliable, scalable, adaptable, dan maintainable dengan menerapkan prinsip MLOps.

Selengkapnya

Sembunyikan

Learning Path

Kelas ini merupakan langkah ke-enam Anda untuk menjadi Machine Learning Developer.

Langkah sebelumnya

Langkah 5

Machine Learning Terapan

40 Jam 4,87 Level Mahir

Peralatan Belajar

Spesifikasi minimal perangkat:

Prosesor

Intel Dual Core (Rekomendasi Core i3 ke atas)

Tools yang dibutuhkan untuk belajar:

Google Colaboratory

Lihat semua peralatan belajar

Peralatan Belajar

Spesifikasi minimal perangkat

Kelas ini membutuhkan spesifikasi perangkat seperti berikut:

RAM

4GB (Rekomendasi 8GB)

Layar

1366 x 768 (Rekomendasi Full HD 1920 x 1080)

Sistem Operasi

Windows, Linux, MacOS

Prosesor

Intel Dual Core (Rekomendasi Core i3 ke atas)

Tools

Kelas ini membutuhkan beberapa tools berikut:

Google Colaboratory

Teks Editor (Notepad++) atau IDE (PyCharm,dll)

Command Line (Terminal atau cmd)

Web Browser (Google Chrome atau Mozilla Firefox)

Metode Ajar

Online - Self-paced Learning
- Total jam belajar : 45 jam
- Rekomendasi waktu belajar : 10 jam per minggu (selesai dalam 32 hari)
- Anda tentukan sendiri berapa lama waktu yang akan digunakan untuk belajar materi kelas ini selama masih aktif terdaftar pada kelas
Fasilitas Pengajaran
- Materi bacaan elektronik : Materi akan disajikan dalam bentuk teks dan bacaan
- Forum diskusi : Setiap kelas memiliki sebuah forum diskusi yang dapat Anda gunakan untuk bertanya dan berdiskusi
Evaluasi pembelajaran :
- Ujian akhir kelas
- Submission.
Sertifikat kompetensi

Lihat semua metode ajar

Metode Ajar

Online - Self-paced Learning
- Total jam belajar : 45 jam
- Rekomendasi waktu belajar : 10 jam per minggu (selesai dalam 32 hari)
- Anda tentukan sendiri berapa lama waktu yang akan digunakan untuk belajar materi kelas ini selama masih aktif terdaftar pada kelas
Fasilitas Pengajaran
- Materi bacaan elektronik : Materi akan disajikan dalam bentuk teks dan bacaan
- Forum diskusi : Setiap kelas memiliki sebuah forum diskusi yang dapat Anda gunakan untuk bertanya dan berdiskusi
Evaluasi pembelajaran :
- Ujian akhir kelas
- Submission.
Sertifikat kompetensi

Kontributor

Curriculum Developer yang membangun kelas ini:

Rahmat Fajri

Data & Machine Learning Engineer

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia

Reviewer

Code Reviewer yang akan me-review tugas dan kode Anda:

Rifky Bujana Bisri

Undergraduate Student at University of British Columbia

- Artificial Intelligence Enthusiast

- LinkedIn

- Github

- Hugging Face

Awang Mulya Nugrawan

External Code Reviewer at Dicoding Indonesia

Tensorflow Developer Certified

Machine Learning Graduate at Bangkit 2023

Let's connect on LinkedIn

Rahmat Fajri

Data & Machine Learning Engineer

TensorFlow Developer Certified

Lihat semua kontributor dan reviewer

Kontributor & Reviewer

Kontributor kelas

Curriculum Developer yang membangun kelas ini:

Rahmat Fajri

Data & Machine Learning Engineer

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia

Tim Reviewer

Code Reviewer yang akan me-review tugas dan kode Anda:

Rifky Bujana Bisri

Undergraduate Student at University of British Columbia

- Artificial Intelligence Enthusiast

- LinkedIn

- Github

- Hugging Face

Awang Mulya Nugrawan

External Code Reviewer at Dicoding Indonesia

Tensorflow Developer Certified

Machine Learning Graduate at Bangkit 2023

Let's connect on LinkedIn

Rahmat Fajri

Data & Machine Learning Engineer

TensorFlow Developer Certified

Rifky Bujana Bisri

Undergraduate Student at University of British Columbia

- Artificial Intelligence Enthusiast

- LinkedIn

- Github

- Hugging Face

Awang Mulya Nugrawan

External Code Reviewer at Dicoding Indonesia

Tensorflow Developer Certified

Machine Learning Graduate at Bangkit 2023

Let's connect on LinkedIn

Rahmat Fajri

Data & Machine Learning Engineer

TensorFlow Developer Certified

Testimoni Siswa

Ribuan siswa sukses belajar di Dicoding Academy. Apa kata mereka? Berikut adalah testimoni asli mereka.

Danar Dono

Institut Sains dan Teknologi Terpadu Surabaya

Memulai Dasar Pemrograman untuk Menjadi Pengembang Software

Di kelas ini, akan diajarkan bagaimana konsep dasar pemograman. Saya sendiri merasa (seperti mengulas) kembali belajar mata kuliah algoritma 1, namun materinya disampaikan secara interaktif dan menyeyangkan sehingga relatif lebih cepat paham. Terima kasih Dicoding.

Baca selengkapnya

Muhammad Rafli

Universitas Padjadjaran

Memulai Dasar Pemrograman untuk Menjadi Pengembang Software

Kelas ini benar-benar memberikan pemahaman yang baik tentang pemrograman. Dengan bahasa yang menarik, mudah dipahami, dan sedikit humor, saya selaku orang non-IT dapat memahami kelas ini dengan baik. Terima kasih Dicoding.

Baca selengkapnya

Lihat semua testimoni

Testimoni Siswa

Danar Dono

Institut Sains dan Teknologi Terpadu Surabaya

Memulai Dasar Pemrograman untuk Menjadi Pengembang Software

Di kelas ini, Anda akan diajarkan bagaimana konsep dasar pemograman. Saya sendiri merasa (seperti mengulas) kembali belajar mata kuliah algoritma 1, namun materinya disampaikan secara interaktif dan menyeyangkan sehingga relatif lebih cepat paham. Terima kasih dicoding atas materi pembelajarannya. Salam.

Muhammad Rafli

Universitas Padjadjaran

Memulai Dasar Pemrograman untuk Menjadi Pengembang Software

Thifal Nurrifqi Ariel Kurniawan

Universitas Pendidikan Indonesia

Memulai Dasar Pemrograman untuk Menjadi Pengembang Software

Kelas ini sangat informatif dan bermanfaat bagi siapapun yang hendak memulai langkah di dunia pemrograman. Hal ini dikarenakan media dan pendekatan yang digunakan menjadikan saya mudah memahami tentang pemrograman dari 0 dan tidak buta arah untuk menentukan langkah selanjutnya.

Timotius Haniel

Boston Consulting Group

Memulai Dasar Pemrograman untuk Menjadi Pengembang Software

Melalui kelas Basic Programming 101, Saya menyadari bahwa betapa pentingnya basic yang kuat bagi seorang developer. Melalui basic yang kuat, seorang programmer dapat lebih mudah mengembangkan setiap software yang akan dibangun. "Bangunan yang tinggi dan besar, pasti memiliki pondasi yang kokoh"

Punya pertanyaan seputar kelas ini?

Berikut adalah beberapa pertanyaan yang paling sering ditanyakan.

Bagaimana cara memasukkan token Academy? Aturan membuat pertanyaan di forum diskusi kelas Bagaimana cara mencetak sertifikat kelulusan kelas?

Lihat semua FAQ

Silabus

Materi yang akan Anda pelajari pada kelas ini.

Persiapan Belajar

Memahami HAKI, mekanisme belajar, forum diskusi, glosarium, dan daftar referensi.

7 Artikel

67 menit

Persetujuan Hak Cipta
2 Menit
Prasyarat Kemampuan
10 Menit
Prasyarat Tools
10 Menit
Mekanisme Belajar
10 Menit
Forum Diskusi

20 Menit
Glosarium

10 Menit
Daftar Referensi

5 Menit

Pengenalan Machine Learning Operations

Mengetahui konsep dasar pengembangan dan pengoperasian sistem machine learning di industri.

9 Artikel
1 Ujian

210 menit

Tantangan Pengoperasian Machine Learning dalam Sistem Produksi

20 Menit
Definisi Machine Learning Operations (MLOps)

25 Menit
Gambaran Life Cycle Pengembangan Sistem Machine Learning dalam Skala Industri

25 Menit
Menentukan Cakupan Proyek Machine Learning

25 Menit
Manajemen Data

25 Menit
Pengembangan Model Machine Learning

25 Menit
Deployment dan Monitoring Sistem Machine Learning

25 Menit
Pengenalan Machine Learning Pipeline

20 Menit
Rangkuman Pengenalan Machine Learning Operations

15 Menit
Kuis Pengenalan Machine Learning Operations

5 Menit

Pengolahan Data dalam Machine Learning Pipeline

Memahami konsep dan cara membuat komponen pengolahan data dalam machine learning pipeline menggunakan TFX.

9 Artikel
1 Ujian

250 menit

Pengenalan Proses Pengolahan Data dalam Machine Learning Pipeline

20 Menit
Data Ingestion

20 Menit
Data Validation

25 Menit
Data Preprocessing

25 Menit
Pengenalan Tools Pengolahan Data dalam Machine Learning Pipeline

30 Menit
Pengenalan MetadataStore

20 Menit
Latihan Pembuatan Komponen Pengolahan Data dalam Machine Learning Pipeline

60 Menit
Pengenalan Tools Lanjutan dalam Pengolahan Data

30 Menit
Rangkuman Pengolahan Data dalam Machine Learning Pipeline

15 Menit
Kuis Pengolahan Data dalam Machine Learning Pipeline

5 Menit

Pengembangan dan Validasi Model Machine Learning

Memahami teori dan cara membuat komponen pengembangan dan validasi model dalam machine learning pipeline menggunakan TFX.

8 Artikel
1 Ujian

230 menit

Pengenalan Proses Pengembangan dan Validasi Model Machine Learning

20 Menit
Pengembangan Model

25 Menit
Analisis dan Validasi Model

25 Menit
Menginterpretasi Model

25 Menit
Pengenalan Tools Pengembangan dan Validasi Model dalam Machine Learning Pipeline

30 Menit
Latihan Pembuatan Komponen Pengembangan dan Validasi Model dalam Machine Learning Pipeline

60 Menit
Pengenalan Tools Lanjutan dalam Pengembangan dan Validasi Model

25 Menit
Rangkuman Pengembangan dan Validasi Model Machine Learning

15 Menit
Kuis Pengembangan dan Validasi Model Machine Learning

5 Menit

Penerapan Model Machine Learning dalam Sistem Produksi

Memahami prinsip dan cara menerapkan model machine learning dalam sistem produksi.

8 Artikel
1 Ujian

260 menit

Pengenalan Model Deployment

30 Menit
Manajemen Model dan Data Version

20 Menit
Pengenalan Model Serving

30 Menit
Monitoring & Feedback Loop

30 Menit
Latihan Membuat Model Serving Menggunakan Flask

45 Menit
Latihan Penggunaan TensorFlow Serving

45 Menit
Latihan Model Deployment

40 Menit
Rangkuman Penerapan Model Machine Learning dalam Sistem Produksi

15 Menit
Kuis Penerapan Model Machine Learning dalam Sistem Produksi

5 Menit

Proyek Pertama

Menguji pemahaman peserta dalam membuat machine learning pipeline menggunakan TensorFlow Extended (TFX) dengan menerapkan kriteria-kriteria yang telah ditentukan

1 Submission

400 menit

Proyek Pengembangan Machine Learning Pipeline

400 Menit

Python Clean Code

Mampu menerapkan prinsip clean code dalam bahasa pemrograman Python untuk menghasilkan kode yang sesuai dengan standar industri

8 Artikel
1 Ujian

220 menit

Pengenalan Python Clean Code

20 Menit
Style Guide

30 Menit
Modular Code

25 Menit
Refactoring Code

30 Menit
Documentation

25 Menit
Pengenalan Linter dan Code Formatter

20 Menit
Latihan Refactoring Code

50 Menit
Rangkuman Python Clean Code

15 Menit
Kuis Python Clean Code

5 Menit

Latihan Pertama Pengembangan dan Pengoperasian Sistem Machine Learning

Mengetahui praktek pengembangan dan pengoperasian sistem machine learning menggunakan komputasi cloud

6 Artikel
1 Ujian

250 menit

Tahap Penentuan Cakupan Proyek

20 Menit
Pembuatan Pipeline Component

60 Menit
Menjalankan Pipeline Component Menggunakan Pipeline Orchestrator

50 Menit
Menjalankan Model Machine Learning di Heroku

50 Menit
Monitoring Model Machine Learning

50 Menit
Rangkuman Latihan Pertama Pengembangan dan Pengoperasian Sistem Machine Learning

15 Menit
Kuis Latihan Pertama Pengembangan dan Pengoperasian Sistem Machine Learning

5 Menit

Latihan Kedua Pengembangan dan Pengoperasian Sistem Machine Learning

Mengetahui praktek pengembangan dan pengoperasian sistem machine learning menggunakan komputasi cloud pada Google Cloud Platform

6 Artikel
1 Ujian

245 menit

Pengenalan Google Cloud Platform

35 Menit
Pengenalan Vertex AI

25 Menit
Latihan Penggunaan AutoML-Training Model

60 Menit
Latihan Penggunaan Custom-Training Model

50 Menit
Latihan Membuat dan Menjalankan end-to-end Machine Learning Pipeline Menggunakan Vertex AI Pipeline

55 Menit
Rangkuman Latihan Kedua Pengembangan dan Pengoperasian Sistem Machine Learning

15 Menit
Kuis Latihan Kedua Pengembangan dan Pengoperasian Sistem Machine Learning

5 Menit