آموزش شروع کار با MLflow

Getting Started with MLflow

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: ارائه کارآمد محصولات یادگیری ماشینی آسان نیست، بنابراین به ابزارهای خوبی نیاز است که از توسعه مدل ML پشتیبانی کند. این دوره آموزشی MLflow را به شما آموزش می‌دهد. توسعه مدل‌های یادگیری ماشین در تیم‌ها، با داده‌های دنیای واقعی و ارائه نیازهای کسب‌وکار در دنیای واقعی ممکن است پیچیده باشد. در این دوره آموزشی، شروع کار با MLflow، یاد خواهید گرفت که چرخه عمر کامل مدل های یادگیری ماشین را مدیریت کنید. ابتدا، نحوه ردیابی آزمایشات یادگیری ماشین خود را برای مقایسه و تکرارپذیری آسان بررسی خواهید کرد. در مرحله بعد، راه‌هایی برای استفاده از MLflow برای همکاری در توسعه مدل در تیم‌هایی با هر اندازه پیدا خواهید کرد. در نهایت، یاد خواهید گرفت که چگونه مدل های خود را به گونه ای به اشتراک بگذارید که آنها را برای استفاده در محصولات واقعی آماده کند. وقتی این دوره را به پایان رساندید، مهارت ها و دانش MLflow مورد نیاز برای ایجاد مدل های یادگیری ماشینی را به روشی مشترک، تکرارپذیر و آماده تولید خواهید داشت.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

درک MLflow Understanding MLflow

  • مبانی دوره Course Basics

  • معرفی MLflow Introducing MLflow

ردیابی آزمایش های ML Tracking ML Experiments

  • معرفی Introduction

  • آموزش مدل و آزمایش Training the Model and Experimenting

  • نسخه ی نمایشی: اجرای آزمایش ها Demo: Running Experiments

  • نسخه ی نمایشی: پارامترها، معیارها و رابط کاربری MLflow Demo: Parameters, Metrics, and MLflow UI

صادرات مصنوعات Exporting Artifacts

  • معرفی Introduction

  • مصنوعات در MLflow Artifacts in MLflow

  • نسخه ی نمایشی Demo

استفاده از MLflow در یک سناریوی مشارکتی Using MLflow in a Collaborative Scenario

  • معرفی Introduction

  • سرور MLflow MLflow Server

  • معماری یک استقرار کامل MLflow Architecture of a Complete MLflow Deployment

بسته بندی و مدل های در حال اجرا Packaging and Running Models

  • معرفی Introduction

  • ثبت یک مدل Logging a Model

  • سفارشی کردن مدل Customizing the Model

  • نسخه ی نمایشی: مدل های سفارشی Demo: Custom Models

  • پیش بینی های در حال اجرا Running Predictions

  • نسخه ی نمایشی: دسته ای و پیش بینی های زمان واقعی Demo: Batch and Real-time Predictions

به اشتراک گذاری و مدیریت مدل ها با رجیستری مدل Sharing and Managing Models with Model Registry

  • بررسی اجمالی Overview

  • نسخه ی نمایشی Demo

خلاصه Summary

  • خلاصه دوره Course Summary

نمایش نظرات

آموزش شروع کار با MLflow
جزییات دوره
1h 22m
22
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Paweł Kordek
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Paweł Kordek Paweł Kordek

Paweł یک مهندس نرم افزار است که علاقه زیادی به اشتراک دانش دارد. او به ویژه در پردازش و کاوش مجموعه داده ها (کوچک یا بزرگ) متمرکز است و همیشه در جستجوی ابزارهای نوظهوری است که کار با داده ها را در آینده ساده تر می کند. Paweł در حال حاضر در Farfetch است ، جایی که او برنامه های داده را توسعه می دهد و می بیند که ابزارهای مورد علاقه خود مانند Pandas ، Kafka یا ElasticSearch (فقط برای ذکر چند مورد) برای حل مشکلات پیچیده تجارت استفاده می شود. او بیشتر با زبانهای JVM و پایتون کار می کند ، اما در اوقات فراغت با زبانهای کم محبوبتر آزمایش می کند.