آموزش آشنایی با خط لوله‌های یادگیری ماشین (ML Pipelines) و ردیابی آزمایش‌ها در Azure Machine Learning - آخرین آپدیت

سرفصل ها و درس ها

مقدمه‌ای بر خط لوله‌های یادگیری ماشین در Azure ML Introduction to ML Pipelines in Azure ML

• آشنایی با Azure ML Pipeline Introduction to Azure ML Pipeline

• اجزای تشکیل‌دهنده یک Pipeline در Azure ML Components of a Pipeline in Azure ML

• دمو: ساخت Pipeline با استفاده از Azure ML Studio (Designer) Demo: Build a Pipeline Using Azure ML Studio (Designer)

• دمو: ایجاد Pipeline با استفاده از Azure ML SDK (v2) Demo: Create a Pipeline with Azure ML SDK (v2)

ارسال و نظارت بر اجرای Pipelineها Submitting and Monitoring Pipeline Jobs

• درک نحوه عملکرد ارسال Pipeline Understanding How Pipeline Submission Works

• دمو: ارسال و نظارت بر Pipeline از طریق Azure Studio Demo: Submit and Monitor Pipeline from Azure Studio

• دمو: ارسال و نظارت بر Pipeline با استفاده از Python SDK Demo: Submit and Monitor Pipeline Using Python SDK

• مدیریت خطاهای Pipeline و تلاش مجدد برای مراحل اجرا Handling Pipeline Failures and Step Retries

ردیابی آزمایش‌ها و ارزیابی مدل Experiment Tracking and Model Evaluation

• ردیابی آزمایش (Experiment Tracking) در Azure ML چیست؟ What Is Experiment Tracking in Azure ML?

• دمو: ثبت و مشاهده معیارها (Metrics) با ML SDK Demo: Log and View Metrics with ML SDK

• دمو: مقایسه اجراها در Azure ML Studio Demo: Compare Runs in Azure ML Studio

• ارزیابی و انتخاب بهترین اجرا برای استقرار (Deployment) Evaluate and Select Best Run for Deployment