آموزش استقرار و مدیریت مدل ها در Microsoft Azure

Deploying and Managing Models in Microsoft Azure

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: برای ارائه یک ایده عالی، نیاز است که مدل‌های ML خود را مستقر کرده و همچنین مطمئن شوید که به‌روز هستند. این دوره به شما بهترین روش‌ها را برای استقرار، مدیریت و بازآموزی مدل‌های یادگیری ماشین در Azure می‌آموزد. هنگامی که یک مدل ایجاد شد، باید آن را گسترش دهیم. علاوه بر این، ما باید اطمینان حاصل کنیم که عملکرد آنها کاهش نمی یابد و ما مدل فعلی را در تولید پیگیری می کنیم. در این دوره آموزشی، استقرار و مدیریت مدل‌ها در Microsoft Azure، بهترین روش‌ها برای استقرار، مدیریت و بازآموزی مدل‌های یادگیری ماشین در Azure را خواهید آموخت. ابتدا نحوه استقرار مدل‌های یادگیری ماشین در Azure را بررسی خواهید کرد. در مرحله بعد، نحوه ایجاد یک خط لوله بازآموزی با Azure ML Pipelines را خواهید فهمید. در نهایت، در مورد روش‌های MLOps که باید در نظر گرفته شود، یاد خواهید گرفت. وقتی این دوره را به پایان رساندید، مهارت ها و دانش عملیات یادگیری ماشین در Azure را خواهید داشت که برای استقرار، مدیریت و آموزش مجدد مدل های یادگیری ماشین در Azure لازم است.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

انجام عملیات یادگیری ماشین با Azure Performing Machine Learning Operations with Azure

  • چرخه حیات یک مدل از ایجاد تا استقرار The Lifecycle of a Model from Creation to Deployment

  • معرفی مطالعه موردی Globomantics Introducing Globomantics Case Study

  • گرفتن بهترین ها از این دوره Getting the Best out of This Course

  • طرح کلی دوره Outline of the Course

استقرار یک مدل در Azure ML Deploying a model in Azure ML

  • گزینه های استقرار در یادگیری ماشینی Azure Deployment Options in Azure Machine Learning

  • زمان واقعی و نقطه پایان دسته ای Real-time and Batch Endpoints

  • نسخه ی نمایشی: استقرار به صورت محلی - قسمت 1 Demo: Deploying Locally - Part 1

  • نسخه ی نمایشی: استقرار محلی - قسمت 2 Demo: Deploying Locally - Part 2

  • نسخه ی نمایشی: استقرار محلی - قسمت 3 Demo: Deploying Locally - Part 3

  • نسخه ی نمایشی: استقرار یک نقطه پایان آنلاین Demo: Deploy an Online Endpoint

  • نسخه ی نمایشی: انجام تست A/B در استودیو - قسمت 1 Demo: Perform A/B Testing in the Studio - Part 1

  • نسخه ی نمایشی: انجام تست A/B در استودیو - قسمت 2 Demo: Perform A/B Testing in the Studio - Part 2

  • نسخه ی نمایشی: استقرار یک تست بلادرنگ A/B در Kubernetes - قسمت 1 Demo: Deploying a Real-time A/B Test to Kubernetes - Part 1

  • نسخه ی نمایشی: استقرار یک تست بلادرنگ A/B در Kubernetes - قسمت 2 Demo: Deploying a Real-time A/B Test to Kubernetes - Part 2

  • نکات و نکات کلیدی Key Takeaways and Tips

ساخت و راه اندازی خطوط لوله با Azure Building and Operationalizing Pipelines with Azure

  • CI/CD در یادگیری ماشینی CI/CD in Machine Learning

  • انواع مختلف خطوط لوله در Azure Different Types of Pipelines in Azure

  • نسخه ی نمایشی: ایجاد یک پروژه خطوط لوله لاجورد - قسمت 1 Demo: Creating an Azure Pipelines Project - Part1

  • نسخه ی نمایشی: ایجاد یک پروژه خط لوله لاجورد - Part2 Demo: Creating an Azure Pipelines Project - Part2

  • نسخه ی نمایشی: ایجاد خط لوله Azure ML - قسمت 1 Demo: Creating an Azure ML Pipeline - Part 1

  • نسخه ی نمایشی: ایجاد خط لوله Azure ML - قسمت 2 Demo: Creating an Azure ML Pipeline - Part 2

  • نسخه ی نمایشی: ایجاد خط لوله Azure ML - قسمت 3 Demo: Creating an Azure ML Pipeline - Part 3

  • نکات و نکات کلیدی Key Takeaways and Tips

عملیات یادگیری ماشین در Azure Machine Learning Operations in Azure

  • MLOps چیست؟ What Is MLOps?

  • معرفی مدل Decay و Data Drift Introducing Model Decay and Data Drift

  • نکات و نکات کلیدی Key Takeaways and Tips

نمایش نظرات

آموزش استقرار و مدیریت مدل ها در Microsoft Azure
جزییات دوره
1h 44m
27
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Axel Sirota
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Axel Sirota Axel Sirota

آکسل سیروتا دارای مدرک کارشناسی ارشد ریاضیات است که علاقه زیادی به عملیات یادگیری عمیق و یادگیری ماشین دارد. وی پس از تحقیق در زمینه احتمال ، آمار و بهینه سازی یادگیری ماشین ، در حال حاضر در JAMPP به عنوان یک مهندس تحقیق در زمینه یادگیری ماشین مشغول به کار است که از داده های مشتری برای پیش بینی دقیق در زمان واقعی پیشنهاد استفاده می کند.