دسترسی سریع:

مسیر:

صفحه اصلی

لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در کانال تلگرام عضو شوید.

آموزش بهینه‌سازی و مدیریت کدبیس مدل‌های یادگیری ماشین (ML) - آخرین آپدیت

دانلود Optimize and Manage Your ML Codebase

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: آیا در حال استقرار مدل‌های یادگیری ماشینی هستید که باید در میلی‌ثانیه، و نه ثانیه، پاسخ دهند؟ در محیط‌های عملیاتی (Production)، حتی دقیق‌ترین مدل‌ها اگر نتوانند نیازهای عملکردی لحظه‌ای را برآورده کنند، بی‌ارزش خواهند بود. این دوره کوتاه برای کمک به متخصصان ML و AI طراحی شده است تا بتوانند کد استنتاج (Inference) خود را به‌صورت سیستماتیک بهینه کرده و گردش‌های کاری توسعه‌ای مستحکم برای سیستم‌های ML آماده تولید ایجاد کنند. با گذراندن این دوره، شما قادر خواهید بود گلوگاه‌های عملکردی را در خط لوله‌های استنتاج تشخیص دهید، تکنیک‌های پیشرفته بهینه‌سازی مانند کوانتیزاسیون (Quantization) و هرس کردن (Pruning) را اعمال کنید و استراتژی‌های GitFlow یا Trunk-Based Development را همراه با خط لوله‌های خودکار CI/CD پیاده‌سازی کنید تا بلافاصله در محیط کاری خود به کار بگیرید. در پایان این دوره، شما قادر خواهید بود: - کدهای استنتاج را برای دستیابی به عملکرد بلادرنگ (Real-time) تحلیل و بهینه کنید - استراتژی‌های شاخه‌بندی گیت و خط لوله‌های CI/CD را برای مدیریت کدبیس ارزیابی نمایید ویژگی منحصر‌به‌فرد این دوره، پر کردن شکاف بین توسعه مدل ML و مهندسی تولید است؛ جایی که تکنیک‌های بهینه‌سازی عملکرد با بهترین شیوه‌های مهندسی نرم‌افزار، به‌طور ویژه برای گردش‌های کاری ML ترکیب شده‌اند. برای موفقیت در این پروژه، باید با پایتون، PyTorch یا TensorFlow، TensorRT، سیستم کنترل نسخه Git و مفاهیم پایه استقرار مدل‌های ML آشنا باشید.

سرفصل ها و درس ها

پودمان ۱: تحلیل کد استنتاج برای بهینه‌سازی عملکرد بلادرنگ Module 1: Analyze inference code to optimize for real-time performance

چرا عملکرد بلادرنگ ML در محیط عملیاتی اهمیت دارد Why Real-Time ML Performance Matters in Production
پروفایلینگ و شناسایی گلوگاه‌ها در خط لوله‌های استنتاج ML Profiling and Bottleneck Identification in ML Inference Pipelines

پودمان ۲: ارزیابی استراتژی‌های شاخه‌بندی گیت و خط لوله‌های CI/CD برای مدیریت کدبیس Module 2: Evaluate Git branching strategies and CI/CD pipelines for codebase management

مقایسه GitFlow در مقابل Trunk-Based Development: بررسی گردش‌های کاری توسعه ML GitFlow vs Trunk-Based Development: Comparing ML Development Workflows

برای ارسال نظر ثبت نام کنید.

نمایش نظرات

آموزش بهینه‌سازی و مدیریت کدبیس مدل‌های یادگیری ماشین (ML)

جزییات دوره

زمان دوره: 1h 18m

تعداد ویدیو ها: 3

شرکت: Coursera (کورسرا)

تاریخ انتشار مرجع: (آخرین آپدیت)

بازدید مرجع : 45

امتیاز مرجع: - از 5

فایل تمرین: دارد

زیرنویس زبان اصلی: دارد

زیرنویس فارسی: (توسط هوش مصنوعی) دارد

مدرس: Chris Croft

لینک کوتاه این دوره

https://donyad.com/d/c4dfd7

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

نرم افزارهای مورد نیاز

بازاریابی

دیگر

علوم داده

فراگیری ماشین

آموزش بهینه‌سازی و مدیریت کدبیس مدل‌های یادگیری ماشین (ML) - آخرین آپدیت

دانلود Optimize and Manage Your ML Codebase

پودمان ۱: تحلیل کد استنتاج برای بهینه‌سازی عملکرد بلادرنگ Module 1: Analyze inference code to optimize for real-time performance

چرا عملکرد بلادرنگ ML در محیط عملیاتی اهمیت دارد Why Real-Time ML Performance Matters in Production

پروفایلینگ و شناسایی گلوگاه‌ها در خط لوله‌های استنتاج ML Profiling and Bottleneck Identification in ML Inference Pipelines

پودمان ۲: ارزیابی استراتژی‌های شاخه‌بندی گیت و خط لوله‌های CI/CD برای مدیریت کدبیس Module 2: Evaluate Git branching strategies and CI/CD pipelines for codebase management

مقایسه GitFlow در مقابل Trunk-Based Development: بررسی گردش‌های کاری توسعه ML GitFlow vs Trunk-Based Development: Comparing ML Development Workflows

نمایش نظرات

https://donyad.com/d/c4dfd7

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar