آموزش MLOps (عملیات یادگیری ماشینی) مبانی

MLOps (Machine Learning Operations) Fundamentals

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: این دوره شرکت کنندگان را با ابزارهای MLOps و بهترین شیوه ها برای استقرار، ارزیابی، نظارت و اجرای سیستم های تولید ML در Google Cloud آشنا می کند. MLOps رشته‌ای است که بر استقرار، آزمایش، نظارت و اتوماسیون سیستم‌های ML در تولید متمرکز است. متخصصان مهندسی یادگیری ماشین از ابزارهایی برای بهبود مستمر و ارزیابی مدل‌های مستقر استفاده می‌کنند. آنها با دانشمندان داده کار می کنند (یا می توانند باشند) که مدل هایی را توسعه می دهند تا سرعت و دقت را در به کارگیری بهترین مدل ها فراهم کنند.

سرفصل ها و درس ها

چرا و چه زمانی به MLO ها نیاز داریم Why and When do we need MLOps

  • معرفی دوره Course Introduction

  • نقاط درد دانشمندان داده Data Scientists’ Pain Points

  • چرخه زندگی یادگیری ماشینی Machine Learning Lifecycle

  • MLOps Architecture و TensorFlow Extended Components MLOps Architecture and TensorFlow Extended Components

درک اجزای اصلی Kubernetes (اختیاری) Understanding the main Kubernetes components (Optional)

  • معرفی Introduction

  • معرفی کانتینرها Introduction to Containers

  • کانتینرها و تصاویر کانتینر Containers and Container Images

  • معرفی آزمایشگاه Lab introduction

  • شروع کار با GCP و Qwiklabs Getting Started With GCP And Qwiklabs

  • آزمایشگاه: کار با Cloud Build Lab: Working with Cloud Build

  • محلول آزمایشگاهی Lab solution

  • مقدمه ای بر Kubernetes Introduction to Kubernetes

  • مقدمه ای بر Google Kubernetes Engine Introduction to Google Kubernetes Engine

  • محاسبه جزئیات گزینه ها Compute Options Detail

  • مفاهیم Kubernetes Kubernetes Concepts

  • هواپیمای کنترلی کوبرنتیس The Kubernetes Control Plane

  • مفاهیم موتور Google Kubernetes Google Kubernetes Engine Concepts

  • معرفی آزمایشگاه Lab Introduction

  • آزمایشگاه: استقرار Google Kubernetes Engine Lab: Deploying Google Kubernetes Engine

  • راه حل آزمایشگاهی Lab Solution

  • استقرار 1 Deployments 1

  • راه های ایجاد استقرار Ways to Create Deployments

  • خدمات و مقیاس بندی Services and Scaling

  • به روز رسانی استقرارها Updating Deployments

  • به روز رسانی های چرخشی Rolling Updates

  • استقرار آبی-سبز Blue-Green Deployments

  • استقرار قناری Canary Deployments

  • مدیریت استقرارها Managing Deployments

  • معرفی آزمایشگاه Lab Intro

  • آزمایشگاه: ایجاد استقرار موتور Google Kubernetes Lab: Creating Google Kubernetes Engine Deployments

  • جابز و کرون جابز Jobs and CronJobs

  • مشاغل موازی Parallel Jobs

  • کرون جابز CronJobs

مقدمه ای بر خطوط لوله پلتفرم هوش مصنوعی Introduction to AI Platform Pipelines

  • بررسی اجمالی Overview

  • مقدمه ای بر خطوط لوله پلتفرم هوش مصنوعی Introduction to AI Platform Pipelines

  • خطوط لوله پلتفرم هوش مصنوعی: مفاهیم AI Platform Pipelines : Concepts

  • خطوط لوله پلتفرم هوش مصنوعی: زمان استفاده AI Platform Pipelines : When to use

  • خطوط لوله پلتفرم هوش مصنوعی: اکوسیستم AI Platform Pipelines : Ecosystem

  • آزمایشگاه: اجرای خطوط لوله پلتفرم هوش مصنوعی Lab: Running AI Platform Pipelines

  • راه حل آزمایشگاهی: خطوط لوله پلت فرم هوش مصنوعی Lab Solution: AI Platform Pipelines

آموزش، تنظیم و ارائه خدمات در بستر هوش مصنوعی Training, Tuning and Serving on AI Platform

  • نمای کلی سیستم و مفاهیم System and concepts overview

  • ایجاد یک مجموعه داده قابل تکرار Create a reproducible dataset

  • پیاده سازی یک مدل قابل تنظیم Implement a tunable model

  • یک ظرف آموزشی بسازید و هل دهید Build and push a training container

  • آموزش و کوک کردن مدل Train and tune the model

  • سرویس و استعلام مدل Serve and query the model

  • معرفی آزمایشگاه: آموزش، تنظیم، و خدمت بر روی پلتفرم هوش مصنوعی Lab Intro: Training, Tuning, and Serving on AI Platform

  • آزمایشگاه: استفاده از کانتینرهای سفارشی با آموزش پلتفرم هوش مصنوعی Lab: Using custom containers with AI Platform Training

  • ویدیوی راه حل آزمایشگاهی LAB SOLUTION VIDEO

خطوط لوله Kubeflow در پلتفرم هوش مصنوعی Kubeflow Pipelines on AI Platform

  • نمای کلی سیستم و مفهوم System and concept overview

  • توصیف خط لوله Kubeflow با KF DSL Describing a Kubeflow Pipeline with KF DSL

  • اجزای از پیش ساخته شده Pre-built components

  • اجزای سبک وزن پایتون Lightweight Python Components

  • اجزای سفارشی Custom components

  • کامپایل، آپلود و اجرا کنید Compile, Upload and Run

  • معرفی آزمایشگاه: خط لوله آموزش مداوم با خط لوله Kubeflow و پلتفرم هوش مصنوعی ابری Lab Intro: Continuous Training Pipeline with Kubeflow Pipeline and Cloud AI Platform

  • آزمایشگاه: خط لوله آموزش مداوم با KFP و پلتفرم هوش مصنوعی ابری Lab: Continuous Training Pipeline with KFP and Cloud AI Platform

  • ویدیوی راه حل آزمایشگاهی LAB SOLUTION VIDEO

CI/CD برای خطوط لوله Kubeflow در پلتفرم هوش مصنوعی CI/CD for Kubeflow Pipelines on AI Platform

  • نمای کلی مفهوم Concept Overview

  • سازندگان ساخت ابر Cloud Build Builders

  • پیکربندی ساخت ابر Cloud Build Configuration

  • محرک های ساخت ابر Cloud Build Triggers

  • معرفی آزمایشگاه: CI/CD برای خط لوله Kubeflow Lab Intro: CI/CD for a Kubeflow Pipeline

  • آزمایشگاه: CI/CD برای خط لوله KFP Lab: CI/CD for a KFP pipeline

خلاصه دوره Course Summary

  • خلاصه دوره Course Summary

نمایش نظرات

آموزش MLOps (عملیات یادگیری ماشینی) مبانی
جزییات دوره
5h 24m
65
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
3
از 5
ندارد
دارد
دارد
Google Cloud
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Google Cloud Google Cloud

ایجاد تحول دیجیتال با آموزش درخواستی

Google Cloud آموزش و گواهینامه های درخواستی را در فناوری های ابری در حال ظهور ارائه می دهد.

Google Cloud با صدها آزمایشگاه، دوره و نشان مهارت، متخصصان را قادر می‌سازد تا مهارت‌های ابری حیاتی را با سرعت خودشان ایجاد کنند. آزمایشگاه‌های عملی این شرکت اعتبارنامه‌های موقتی را به منابع واقعی ابر ارائه می‌دهند، بنابراین افراد می‌توانند Google Cloud را با استفاده از چیز واقعی یاد بگیرند. فراگیران همچنین می توانند با کسب گواهینامه های Google Cloud و/یا نشان های مهارتی که می توانند با شبکه خود به اشتراک بگذارند، تخصص خود را تأیید کنند.

در وب‌سایت رسمی Google Cloud بیشتر بیاموزید.