آموزش سیستم‌های یادگیری ماشین در محیط عملیاتی (Production ML) - آخرین آپدیت

مقدمه‌ای بر یادگیری ماشین پیشرفته در گوگل کلود Introdução ao machine learning avançado no Google Cloud

• یادگیری ماشین پیشرفته در گوگل کلود Machine learning avançado no Google Cloud

• خوش‌آمدگویی Boas-vindas

نحوه معماری سیستم‌های ML در محیط عملیاتی Como arquitetar sistemas de ML de produção

• نحوه معماری سیستم‌های ML Como arquitetar sistemas de ML

• استخراج، تحلیل و آماده‌سازی داده‌ها Extração, análise e preparação de dados

• آموزش، ارزیابی و اعتبارسنجی مدل‌ها Treinamento, avaliação e validação de modelos

• مدل آموزش‌دیده، سرویس پیش‌بینی و نظارت بر عملکرد Modelo treinado, serviço de previsão e monitoramento de desempenho

• نحوه آموزش تصمیمات طراحی Como treinar decisões de design

• نحوه استقرار تصمیمات طراحی Como disponibilizar decisões de design

• طراحی از صفر Como projetar do zero

• نحوه استفاده از Vertex AI Como usar a Vertex AI

• مقدمه آزمایشگاه: پیش‌بینی داده‌های ساختاریافته Introdução ao laboratório: Previsão de dados estruturados

• Coursera: شروع کار با گوگل کلود و Qwiklabs Coursera: Como começar a usar o Google Cloud Platform e o Qwiklabs

طراحی سیستم‌های ML تطبیق‌پذیر Como projetar sistemas de ML adaptáveis

• مقدمه Introdução

• تطبیق با داده‌ها Adaptação aos dados

• نحوه تغییر توزیع‌ها Como alterar as distribuições

• آزمایشگاه: تطبیق با داده‌ها Laboratório: Adaptação aos dados

• تصمیمات درست و غلط Decisões certas e erradas

• شکست سیستم Falha no sistema

• انحراف مفهوم (Concept Drift) Desvio de conceito

• اقداماتی برای کاهش انحراف مفهوم Ações para diminuir o desvio de conceito

• اعتبارسنجی داده‌ها در TensorFlow Validação de dados no TensorFlow

• اجزای اعتبارسنجی داده‌ها در TensorFlow Componentes da validação de dados no TensorFlow

• مقدمه آزمایشگاه: آشنایی با TensorFlow Data Validation Introdução ao laboratório: Introdução ao TensorFlow Data Validation

• مقدمه آزمایشگاه: بصری‌سازی‌های پیشرفته با TensorFlow Data Validation Introdução ao laboratório: Visualizações avançadas com o TensorFlow Data Validation

• کاهش انحراف بین آموزش و استقرار از طریق طراحی Como reduzir os desvios de treinamento/disponibilização pelo design

• نحوه عیب‌یابی مدل در محیط عملیاتی Como diagnosticar um modelo de produção

طراحی سیستم‌های ML با کارایی بالا Como projetar sistemas de ML com alto desempenho

• مقدمه Introdução

• آموزش Treinamento

• پیش‌بینی‌ها Previsões

• چرا آموزش توزیع‌شده ضروری است Por que o treinamento distribuído é necessário

• معماری‌های آموزش توزیع‌شده Arquiteturas de treinamento distribuído

• استراتژی‌های آموزش توزیع‌شده در TensorFlow Estratégias de treinamento distribuído do TensorFlow

• استراتژی Mirror (آینه‌ای) Estratégia espelhada

• استراتژی Mirror با چندین Worker Estratégia espelhada com vários workers

• استراتژی TPU Estratégia da TPU

• استراتژی Parameter Server Estratégia de servidor de parâmetros

• مقدمه آزمایشگاه: آموزش توزیع‌شده با Keras Introdução ao laboratório: Treinamento distribuído com o Keras

• آموزش روی مجموعه‌داده‌های بزرگ با API tf.data Como treinar em grandes conjuntos de dados com a API tf.data

• مقدمه آزمایشگاه: خط لوله‌های داده با سرعت TPU Introdução ao laboratório: Pipelines de dados com velocidade de TPU

• استنتاج (Inference) Inferência

ایجاد سیستم‌های ML هیبریدی Como criar sistemas de ML híbridos

• مقدمه Introdução

• یادگیری ماشین در ابر هیبریدی Machine learning em nuvem híbrida

• Kubeflow Kubeflow

• مقدمه آزمایشگاه: Kubeflow Pipelines با AI Platform Introdução ao laboratório: Kubeflow Pipelines com o AI Platform

• TensorFlow Lite TensorFlow Lite

• بهینه‌سازی TensorFlow برای دستگاه‌های موبایل Como otimizar o TensorFlow para dispositivos móveis

• جمع‌بندی Resumo

جمع‌بندی Resumo

• مرور کلی دوره Resumo do curso