لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش اعتبارسنجی، تحلیل و مانیتورینگ مدلهای یادگیری ماشین (ML)
- آخرین آپدیت
دانلود Validate, Analyze, and Monitor ML Models
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره در سطح متوسط برای مهندسان یادگیری ماشین، دانشمندان داده و متخصصان ML Ops که مسئولیت انتشار و نگهداری مدلها در محیط عملیاتی (Production) را بر عهده دارند، طراحی شده است. ساخت یک مدل تنها شروع کار است؛ برای ارائه ارزش تجاری قابل اتکا، مدلها باید روی دادههای دیده نشده اعتبارسنجی شوند، در محیطهای زنده با معیارهای پایه (Baselines) مقایسه گردند و بهطور مستمر از نظر رانش دادهها (Drift) مانیتور شوند.
در این دوره، فراگیران نحوه اعتبارسنجی نسخههای کاندید برای انتشار با استفاده از مجموعههای داده Hold-out، تحلیل نتایج تست A/B و استقرار سایه (Shadow Deployment) برای سنجش بهبود عملکرد، و مانیتورینگ رانش دادهها و پیشبینیها با استفاده از شاخصهای کاربردی مانند PSI را خواهند آموخت. از طریق ویدیوهای کوتاه، گفتگوهای هدایتشده با مربی و فعالیتهای یادگیری عملی، شما تصمیمگیریهایی را تمرین خواهید کرد که دقیقاً مشابه جریانهای کاری واقعی در محیط تولید است. در پایان، شما آماده خواهید بود تا از انتشار ایمن مدلها و سلامت بلندمدت آنها پشتیبانی کنید.
سرفصل ها و درس ها
اعتبارسنجی، تحلیل و مانیتورینگ مدلهای ML
Validate, Analyze, and Monitor ML Models
چرا اعتبارسنجی یک گیت حیاتی برای انتشار است
Why Validation Is a Release Gate
مجموعههای Hold Out و معیارهای ارزیابی در عمل
Hold-Out Sets and Evaluation Metrics in Practice
از معیارهای آفلاین تا اثرات آنلاین
From Offline Metrics to Online Impact
توضیح تستهای A/B در مقابل استقرار سایه (Shadow Deployments)
A/B Tests vs. Shadow Deployments Explained
چرا مدلها در محیط عملیاتی دچار رانش (Drift) میشوند
Why Models Drift in Production
استفاده از PSI برای مانیتورینگ مستمر
Using PSI for Ongoing Monitoring
تبریکات و یادگیری مداوم
Congratulations and Continuous Learning
نمایش نظرات