آموزش استقرار مدل یادگیری عمیق یادگیری ماشین - آخرین آپدیت

درس ها Lessons

• مدل به عنوان یک فرمول ریاضی Model as a mathematical formula

• دوره سقوط Python NumPy Pandas Matplotlib Python NumPy Pandas Matplotlib crash course

• ثبت نام برای استفاده آزمایشی رایگان Google Cloud Signing up for a Google Cloud free trial

• ایجاد یک REST API برای مدل PyTorch Creating a REST API for the PyTorch Model

• Flask REST API Hello World Flask REST API Hello World

• ارائه مدل های PyTorch بدون سرور Serving PyTorch models serverless

• میزبانی ماشین یادگیری REST API در Cloud Hosting the Machine Learning REST API on the Cloud

• استقرار مدل TensorFlow Keras با استفاده از جاوا اسکریپت و Tensorflow js Deploying TensorFlow Keras model using JavaScript and Tensorflow js

• مدل چیست؟ What is a Model?

• آشنایی با شبکه عصبی یادگیری عمیق Understanding Deep Learning Neural Network

• مدل به عنوان کد Model as code

• ایجاد یک REST API در Google Colab Creating a REST API on Google Colab

• اجرای MLflow در Colab Running MLflow on Colab

• مشتری پستچی REST Postman REST client

• ارائه مدل های TensorFlow بدون سرور Serving TensorFlow models serverless

• حذف نمونه VM Deleting the VM instance

• پیش بینی با اشیاء Pickle deserialized Predicting with deserialized Pickle objects

• استقرار مدل‌های tf-idf و طبقه‌بندی متن برای تحلیل احساسات توییتر Deploying tf-idf and text classifier models for Twitter sentiment analysis

• ساخت و ارزیابی یک مدل طبقه بندی Building and evaluating a Classification Model

• تبدیل یک مدل PyTorch به فرمت TensorFlow با استفاده از ONNX Converting a PyTorch model to TensorFlow format using ONNX

• استقرار مدل ها با MLflow Deploying Models with MLflow

• چگونه یک مدل ایجاد کنیم؟ How do we create a Model?

• ذخیره مدل و مقیاس کننده Saving the Model and the Scaler

• MLflow مقدمه MLflow Introduction

• استفاده از مدل در محیط Google Colab Using the Model in Google Colab environment

• ایجاد یک حساب توسعه دهنده توییتر Creating a Twitter developer account

• ردیابی آزمایش های PyTorch با MLflow Tracking PyTorch experiments with MLflow

• API یادگیری ماشین بدون سرور با استفاده از توابع ابری Serverless Machine Learning API using Cloud Functions

• ایجاد یک REST API برای مدل های TensforFlow با استفاده از Flask Creating a REST API for TensforFlow models using Flask

• ایجاد یک طبقه بندی متن با استفاده از TensorFlow Creating a text classifier using TensorFlow

• ایجاد یک محیط توسعه Spyder Creating a Spyder development environment

• ساخت و استقرار مدل های PyTorch Building and deploying PyTorch models

• نصب کد ویژوال استودیو و سرور زنده Installing Visual Studio Code and Live Server

• مدل Tf-idf برای تبدیل متن به مقادیر عددی Tf-idf model for converting text to numeric values

• تجزیه و تحلیل احساسات توییتر با PyTorch REST API Twitter sentiment analysis with PyTorch REST API

• ایجاد و ذخیره مدل های طبقه بندی متن و tf-idf Creating and saving text classifier and tf-idf models

• بارگیری TensorFlow.js در یک مرورگر وب Loading TensorFlow.js on a web browser

• استقرار مدل های TensorFlow و Keras با سرویس Tensoflow Deploying TensorFlow and Keras Models with Tensoflow Serving

• ایجاد یک REST API با استفاده از سرور مدل TensorFlow Creating a REST API using TensorFlow Model Server

• انواع یادگیری ماشینی Types of Machine Learning

• ایجاد یک طبقه بندی متن با استفاده از PyTorch Creating a text classifier using PyTorch

• چرا آزمایشات ML را دنبال کنید؟ Why track ML experiments?

• مقدمه Introduction

• آشنایی با کانتینرهای داکر Understanding Docker containers

• ایجاد یک فروشگاه مدل محلی با PostgreSQL Creating a local model store with PostgreSQL

• ایجاد یک REST API برای مدل PyTorch NLP Creating a REST API for the PyTorch NLP model

• ایجاد یک REST API برای مدل Creating a REST API for the Model

• عملیات یادگیری ماشین (MLOps) Machine Learning Operations (MLOps)

• ردیابی آزمایش‌های آموزشی مدل با MLfLow Tracking Model training experiments with MLfLow

• تبدیل متن به مقادیر عددی با استفاده از مدل کیسه کلمات Converting text to numeric values using bag-of-words model

• ذخیره و بازیابی مدل ها از پایگاه داده با استفاده از Colab، Postgres و psycopg2 Storing and retrieving models from a database using Colab, Postgres and psycopg2