آموزش MLO با Databricks - آخرین آپدیت

دانلود MLOps with Databricks

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در این دوره، ماریا وچتومووا، متخصص MLOps، مؤلفه‌ها و اصولی را معرفی می‌کند که برای استقرار موفقیت‌آمیز مدل‌های یادگیری ماشینی برای تولید بر روی Databricks باید بدانید. در فرآیند گام به گام استفاده از Feature Engineering در Unity Catalog، ردیابی آزمایشات مدل در mlflow، ثبت یک مدل در Unity Catalog، و استقرار مدل خود با استفاده از سرویس مدل Databricks، غوطه ور شوید. موارد استفاده ای را که می توان از سرویس ویژگی استفاده کرد کاوش کنید و نحوه استقرار یک نقطه پایانی سرویس ویژگی را بیابید. به علاوه، یاد بگیرید که چگونه کد خود را بسته بندی کنید، پروژه خود را با استفاده از Databricks Asset Bundles اجرا کنید، و برنامه ML خود را با استفاده از جداول استنتاج و نظارت Lakehouse نظارت کنید.

سرفصل ها و درس ها

مقدمه Introduction

  • زمان تولید را با MLO ها کاهش دهید Reduce time to production with MLOps

1. مولفه ها و اصول MLOps 1. MLOps Components and Principles

  • اجزای MLOps MLOps components

  • اصول MLOps MLOps principles

  • اجزای MLOps در Databricks MLOps components on Databricks

2. MLflow 2. MLflow

  • مدل های سفارشی در MLflow Custom models in MLflow

  • ردیابی آزمایش MLflow MLflow experiment tracking

  • ورود مدل به MLflow Model logging in MLflow

  • محیط را تنظیم کنید و مجموعه داده را آماده کنید Set up the environment and prepare the dataset

  • مقدمه ای بر MLflow Introduction to MLflow

  • مدل ها را در کاتالوگ یونیتی ثبت کنید Register models in Unity Catalog

3. مهندسی ویژگی در Databricks 3. Feature Engineering on Databricks

  • مدل هایی را آموزش دهید، ثبت کنید و ثبت کنید که از ویژگی های درخواستی استفاده می کنند Train, log, and register models that use on-demand features

  • مقدمه ای بر مهندسی ویژگی Introduction to feature engineering

  • جدول ویژگی و عملکرد ویژگی Feature table and feature function

4. ویژگی و مدل سرویس 4. Feature and Model Serving

  • یک FeatureSpec برای سرویس ویژگی ایجاد کنید Create a FeatureSpec for Feature Serving

  • استقرار نقاط پایانی سرویس Deploy serving endpoints

  • درخواست ها را به نقاط پایانی خدمت ارسال کنید Send requests to the serving endpoints

  • زمان استفاده از سرویس ویژگی در مقابل سرویس مدل When to use Feature Serving vs. Model Serving

5. استقرار برنامه با استفاده از Databricks Asset Bundles 5. Deploy Application Using Databricks Asset Bundles

  • تعریف و استقرار Databricks Asset Bundle Define and deploy the Databricks Asset Bundle

  • اجزای گردش کار Databricks را تعریف کنید Define Databricks workflow components

  • شروع کار با DAB Getting started with DABs

6. نقاط پایانی خود را با استفاده از جداول استنتاج و مانیتورینگ Lakehouse نظارت کنید 6. Monitor Your Endpoints Using Inference Tables and Lakehouse Monitoring

  • Databricks Lakehouse Monitoring را راه اندازی کنید Set up Databricks Lakehouse Monitoring

  • جدول استنتاج را تنظیم، تجزیه و تحلیل و پردازش کنید Set up, analyze, and process the inference table

  • مقدمه ای بر مانیتورینگ لیک هاوس Introduction to Lakehouse Monitoring

نتیجه گیری Conclusion

  • تسلط بر MLO ها: سفر شما آغاز می شود Mastering MLOps: Your journey begins

نمایش نظرات

آموزش MLO با Databricks
جزییات دوره
1h 9m
24
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
929
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Maria Vechtomova Maria Vechtomova

ماموریت ماریا وچتومووا آموزش متخصصان داده و هوش مصنوعی در مورد MLO است.

ماریا بیش از یک دهه در زمینه داده و هوش مصنوعی کار کرده است و بیشترین بخش از حرفه من را به MLO اختصاص داده است، چیزی که او واقعاً به آن علاقه دارد. او اشاره کرده است که MLOps با ابزارهای مناسب آسان‌تر است، و خودش تعدادی ابزار ساخته است. ماریا بیش از سه سال با Databricks کار کرده است و معتقد است که یکی از بهترین پلتفرم‌ها برای MLOps است. او از Databricks برای توضیح نحوه پیروی از اصول MLOps استفاده می کند. ماریا در حال حاضر مشغول نوشتن کتابی برای O'Reilly است و در مورد MLOps با Databricks در Maven و LinkedIn Learning تدریس می کند.