آموزش استقرار مدل‌های یادگیری ماشین در GCP + AWS Lambda (Docker)

Deploy Machine Learning Models on GCP + AWS Lambda (Docker)

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: نحوه سریال‌سازی - مدل‌زدایی با scikit-learn & Deployment در Heroku، AWS Lambda، ECS، Docker و Google Cloud Model Process گزینه‌های مختلف موجود برای Model Deployment Deploy Scikit-learn، Tensorflow 2.0 Model with Flask Web Framework Deploy Model در Google cloud تابع، موتور برنامه سرویس مدل از طریق Google AI Platform Run Prediction API در Heroku Cloud Serialize and Deserialize model from Scikit-learn and Tensorflow Deploying model on Amazon AWS Lambda Install Flower prediction model with Docker Deploy Docker Container on Amazon Container Services (ECS) پیشها :مبانی برنامه نویسی پایتون دانش پایه توسعه وب

سلام به همه، به یکی از کاربردی‌ترین دوره‌های آموزش ماشینی و سطح تولید مدل یادگیری عمیق خوش آمدید.

استقرار مدل چیست:

فرض کنید بعد از انجام آموزش های دقیق روی مجموعه داده خود، مدلی دارید. اما حالا با این مدل چه باید کرد. شما مدل خود را با مجموعه داده های آزمایشی تست کرده اید که خوب است. دقت خیلی خوبی هم با این مدل گرفتی. اما آزمایش واقعی زمانی انجام می شود که داده های زنده به مدل شما برسد. بنابراین این دوره در مورد نحوه سریال سازی مدل خود و استقرار در سرور است.

پس از شرکت در این دوره:

  • شما می توانید یک مدل را در سرور ابری مستقر کنید.

  • شما یک قدم در سفر یادگیری ماشین جلوتر خواهید بود.

  • می‌توانید یک مهارت یادگیری ماشین دیگر را در رزومه خود اضافه کنید.

چه چیزی قرار است در این دوره پوشش داده شود؟

1. مقدمه دوره

در این بخش، ایده اولیه استقرار مدل در مورد گردش کار طراحی سیستم یادگیری ماشین و گزینه‌های مختلف استقرار در سطح ابری در دسترس است، به شما آموزش می‌دهم.

2. دوره فلاسک کراش

در این بخش در مورد دوره خرابی فلاسک برای کسانی از شما که با فلاسک فریم ورک آشنایی ندارید، یاد خواهید گرفت زیرا ما قصد داریم مدل را با کمک این چارچوب توسعه وب فلاسک موجود در پایتون اجرا کنیم.

3. استقرار مدل با فلاسک

در این بخش می‌آموزید که چگونه مدل Sicit-Learn را Serialize و Deserialize کنید و سرویس‌های وب مبتنی بر فلاسک مالک را مستقر کنید. برای آزمایش Web API از ابزار تست Postman API و ماژول درخواست های Python استفاده خواهیم کرد.

4. مدل Tensorflow یادگیری عمیق را سریال کنید

در این بخش، نحوه سریال‌سازی و سریال‌سازی مدل keras را در Fashion MNIST Dataset یاد خواهید گرفت.

5. در ابر Heroku

مستقر شوید

در این بخش، نحوه استقرار مدل مجموعه داده طبقه‌بندی گل‌ها را که در آخرین بخش ایجاد کرده‌ایم، در ابر Heroku - راه‌حل پاس استقرار می‌دهیم.

6. در Google cloud

مستقر شوید

در این بخش نحوه استقرار مدل را در سرویس‌های ابری مختلف Google مانند عملکرد Google Cloud، موتور برنامه Google و ابر هوش مصنوعی مدیریت شده Google خواهید آموخت.

7. استقرار در آمازون AWS Lambda

در این بخش، نحوه استقرار مدل طبقه‌بندی گل را در تابع لامبدا AWS خواهید آموخت.

8. استقرار در Amazon AWS ECS با Docker Container

در این بخش، نحوه قرار دادن برنامه را در داخل محفظه docker و استقرار آن در Amazon ECS (خدمات کانتینر الاستیک) خواهیم دید


این دوره با 30 روز ضمانت بازگشت وجه ارائه می شود. بدون سوال پرسیدن پس منتظر چه چیزی هستید فقط همین امروز آن را ثبت نام کنید.

من شما را در کلاس خواهم دید.

یادگیری شاد

Ankit Mistry


سرفصل ها و درس ها

معرفی Introduction

  • نمای کلی استقرار Deployment Overview

  • نمای کلی استقرار Deployment Overview

  • بررسی ها reviews

  • بررسی ها reviews

  • دوره - سوالات متداول Course - FAQ

  • دوره - سوالات متداول Course - FAQ

  • به کلاس آنلاین بپیوندید Join Online Classroom

  • گردش کار یادگیری ماشین Machine Learning Workflow

  • گردش کار یادگیری ماشین Machine Learning Workflow

  • گزینه استقرار مدل های مختلف Different Model Deployment Option

  • گزینه استقرار مدل های مختلف Different Model Deployment Option

معرفی Introduction

  • به کلاس آنلاین بپیوندید Join Online Classroom

دانلود کد Code Download

  • دانلود کد Code Download

دانلود کد Code Download

  • دانلود کد Code Download

اصول فلاسک Flask Basics

  • آشنایی با محیط Flask & Setup Introduction to Flask & Setup environment

  • آشنایی با محیط Flask & Setup Introduction to Flask & Setup environment

  • Anaconda را دانلود و نصب کنید Download and Install Anaconda

  • ایجاد محیط مجازی Create Virtual environment

  • ایجاد محیط مجازی Create Virtual environment

  • کتابخانه را نصب کنید Install Library

  • Spyder IDE Spyder IDE

  • Spyder IDE Spyder IDE

  • معرفی فلاسک Flask Introduction

  • معرفی فلاسک Flask Introduction

  • (دست روی) فلاسک سلام دنیا (Hands-on) Flask Hello World

  • (دستی) برنامه وب فلاسک - با پارامتر (Hands-on) Flask Web app - With parameter

  • امتحان Quiz

اصول فلاسک Flask Basics

  • Anaconda را دانلود و نصب کنید Download and Install Anaconda

  • کتابخانه را نصب کنید Install Library

  • (دست روی) فلاسک سلام دنیا (Hands-on) Flask Hello World

  • (دستی) برنامه وب فلاسک - با پارامتر (Hands-on) Flask Web app - With parameter

  • امتحان Quiz

استقرار مدل یادگیری ماشین (Sci-Kit Learn) در Flask Deploying machine learning (Sci-kit Learn) model to Flask

  • بخش: مقدمه Section : Introduction

  • آماده سازی داده ها و ایجاد مدل Data Preparation & Create Model

  • (عملی) Scikit-learn Model Serialize & Deserialize Scikit-Learn Model (Hands-on) Serialize & Deserialize Scikit-learn Model

  • (عملی) Scikit-learn Model Serialize & Deserialize Scikit-Learn Model (Hands-on) Serialize & Deserialize Scikit-learn Model

  • (دستی) استقرار مدل در برنامه وب Flask (Hands-on) Deploying model to Flask Web application

  • (دستی) استقرار مدل در برنامه وب Flask (Hands-on) Deploying model to Flask Web application

  • وب سرویس را از طریق درخواست های Postman + Python تست کنید Test Webservice through Postman +Python requests

  • وب سرویس را از طریق درخواست های Postman + Python تست کنید Test Webservice through Postman +Python requests

استقرار مدل یادگیری ماشین (Sci-Kit Learn) در Flask Deploying machine learning (Sci-kit Learn) model to Flask

  • بخش: مقدمه Section : Introduction

  • آماده سازی داده ها و ایجاد مدل Data Preparation & Create Model

سریال سازی مدل با Tensorflow 2.0 Model Serialization with Tensorflow 2.0

  • ساخت مدل شبکه عصبی - keras (Tensorflow 2.0) Build Neural Network Model - keras (Tensorflow 2.0)

  • (Hands-on) Serialize and Deserialize model (Hands-on) Serialize and Deserialize model

سریال سازی مدل با Tensorflow 2.0 Model Serialization with Tensorflow 2.0

  • ساخت مدل شبکه عصبی - keras (Tensorflow 2.0) Build Neural Network Model - keras (Tensorflow 2.0)

  • (Hands-on) Serialize and Deserialize model (Hands-on) Serialize and Deserialize model

-------- استقرار مدل در Heroku Cloud -------- -------- Deploy model on Heroku Cloud --------

  • (به صورت عملی) مدل طبقه بندی گل را در هروکو بکار ببرید (Hands-on) Deploy Flower Classification Model on Heroku

  • (به صورت عملی) مدل طبقه بندی گل را در هروکو بکار ببرید (Hands-on) Deploy Flower Classification Model on Heroku

  • هروکو Heroku

  • هروکو Heroku

-------- استقرار مدل در Heroku Cloud -------- -------- Deploy model on Heroku Cloud --------

------- استقرار مدل در Google Cloud ---------- ------- Deploy Model on Google Cloud ----------

  • بخش: مقدمه Section : Introduction

  • معرفی ابر گوگل Google cloud Introduction

  • آپلود مدل در Google Cloud Storage (Hands-on) Upload Model on Google Cloud Storage

  • (به صورت عملی) مدل را در موتور برنامه Google مستقر کنید (Hands-on) Deploy model on Google app engine

  • (عملی) استقرار مدل در توابع ابری Google (Hands-on) Deploy model on Google cloud Functions

  • (عملی) استقرار مدل در توابع ابری Google (Hands-on) Deploy model on Google cloud Functions

  • (عملی) استقرار مدل در ابر هوش مصنوعی گوگل (Hands-on) Deploy Model on Google AI cloud

  • امتحان Quiz

  • امتحان Quiz

------- استقرار مدل در Google Cloud ---------- ------- Deploy Model on Google Cloud ----------

  • بخش: مقدمه Section : Introduction

  • معرفی ابر گوگل Google cloud Introduction

  • آپلود مدل در Google Cloud Storage (Hands-on) Upload Model on Google Cloud Storage

  • (به صورت عملی) مدل را در موتور برنامه Google مستقر کنید (Hands-on) Deploy model on Google app engine

  • (عملی) استقرار مدل در ابر هوش مصنوعی گوگل (Hands-on) Deploy Model on Google AI cloud

----- استقرار مدل در AWS Lambda ----- ----- Deploy Model on AWS Lambda -----

  • AWS Lambda: استقرار مدل ML AWS Lambda : ML Model Deployment

  • AWS Lambda: استقرار مدل ML AWS Lambda : ML Model Deployment

----- استقرار مدل در AWS Lambda ----- ----- Deploy Model on AWS Lambda -----

از Windows Machine From Windows Machine

  • AWS Lambda: Hello World Function قسمت - 1 AWS Lambda : Hello World Function Part - 1

  • AWS Lambda Introduction: Hello World Part - 2 AWS Lambda Introduction : Hello World Part - 2

  • بسته بندی مدل Model Packaging

  • بسته بندی مدل Model Packaging

  • اصلاحات Corrections

  • اصلاحات Corrections

  • آپلود بسته به آمازون S3 Upload Package to Amazon S3

  • آپلود بسته به آمازون S3 Upload Package to Amazon S3

  • استقرار بسته در AWS Lambda و تست Deploy Package on AWS Lambda and Test

  • استقرار بسته در AWS Lambda و تست Deploy Package on AWS Lambda and Test

از Windows Machine From Windows Machine

  • AWS Lambda: Hello World Function قسمت - 1 AWS Lambda : Hello World Function Part - 1

  • AWS Lambda Introduction: Hello World Part - 2 AWS Lambda Introduction : Hello World Part - 2

از ماشین لینوکس با بدون سرور From Linux Machine with serverless

  • بخش: مقدمه Section : Introduction

  • نصب لینوکس (UBUNTU). Linux (UBUNTU) installation

  • فریم ورک بدون سرور را نصب کنید Install Serverless Framework

  • ایجاد اعتبار کاربری AWS Creating AWS user Credentials

  • Miniconda را نصب کنید Install Miniconda

  • ایجاد پروژه بدون سرور Create serverless Project

  • ایجاد پروژه بدون سرور Create serverless Project

  • استقرار مصنوعات در AWS Lambda و تست Deploy artifacts on AWS Lambda and Test

  • استقرار مصنوعات در AWS Lambda و تست Deploy artifacts on AWS Lambda and Test

از ماشین لینوکس با بدون سرور From Linux Machine with serverless

  • نصب لینوکس (UBUNTU). Linux (UBUNTU) installation

  • فریم ورک بدون سرور را نصب کنید Install Serverless Framework

  • ایجاد اعتبار کاربری AWS Creating AWS user Credentials

  • Miniconda را نصب کنید Install Miniconda

استقرار مدل با داکر در کانتینر AWS Deploy Model with Docker on AWS Container

  • بخش: مقدمه Section : Introduction

  • بخش: مقدمه Section : Introduction

  • مقدمه داکر Docker Introduction

  • مقدمه داکر Docker Introduction

  • نصب داکر Docker Installation

  • نصب داکر Docker Installation

  • Docker Basic Command Docker Basic Command

  • API Flower Deployment را در Docker Container راه اندازی کنید Setup Flower Deployment API on Docker Container

  • اجرای API Prediction - Container Run Prediction API - Container

  • ساخت تصویر داکر Build Docker Image

  • تصویر Docker را به Docker Hub فشار دهید Push Docker Image to Docker Hub

  • اجرای Docker Image در سرویس کانتینر آمازون (ECS) Run Docker Image on Amazon Container Service (ECS)

استقرار مدل با داکر در کانتینر AWS Deploy Model with Docker on AWS Container

  • بخش: مقدمه Section : Introduction

  • Docker Basic Command Docker Basic Command

  • API Flower Deployment را در Docker Container راه اندازی کنید Setup Flower Deployment API on Docker Container

  • اجرای API Prediction - Container Run Prediction API - Container

  • ساخت تصویر داکر Build Docker Image

  • تصویر Docker را به Docker Hub فشار دهید Push Docker Image to Docker Hub

  • اجرای Docker Image در سرویس کانتینر آمازون (ECS) Run Docker Image on Amazon Container Service (ECS)

سخنرانی پاداش Bonus Lecture

  • سخنرانی پاداش Bonus Lecture

  • سخنرانی پاداش Bonus Lecture

سخنرانی پاداش Bonus Lecture

نمایش نظرات

نظری ارسال نشده است.

آموزش استقرار مدل‌های یادگیری ماشین در GCP + AWS Lambda (Docker)
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
4.5 hours
53
Udemy (یودمی) udemy-small
16 مهر 1400 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
3,043
4.6 از 5
دارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Ankit Mistry Ankit Mistry

توسعه دهنده نرم افزار | من می خواهم زندگی و درآمد شما را بهبود بخشم.

Data Science   Machine Learning Academy Data Science Machine Learning Academy

کمک به مردم برای تجزیه و تحلیل داده ها

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.