آموزش خطوط لوله ML در Google Cloud

معرفی Introduction

• معرفی دوره Course Introduction

• [مهم] - لطفا بخوانید [Important] - Please Read

مقدمه ای بر خطوط لوله TFX Introduction to TFX Pipelines

• TensorFlow Extended (TFX) TensorFlow Extended (TFX)

• مفاهیم TFX TFX concepts

• اجزای داده استاندارد TFX TFX standard data components

• اجزای مدل استاندارد TFX TFX standard model components

• گره های خط لوله TFX TFX pipeline nodes

• کتابخانه های TFX TFX libraries

• معرفی آزمایشگاه: TFX Walkthrough Lab Intro: TFX Walkthrough

• شروع کار با GCP و Qwiklabs Getting Started With GCP And Qwiklabs

• آزمایشگاه: TFX Standard Components Walkthrough Lab: TFX Standard Components Walkthrough

ارکستراسیون خط لوله با TFX Pipeline orchestration with TFX

• ارکستراتورهای TFX TFX Orchestrators

• پرتو آپاچی Apache Beam

• TFX در پلتفرم Cloud AI TFX on Cloud AI Platform

• معرفی آزمایشگاه: TFX در پلتفرم Cloud AI Lab Intro : TFX on Cloud AI Platform

• آزمایشگاه: TFX در خطوط لوله پلتفرم هوش مصنوعی ابری Lab: TFX on Cloud AI Platform Pipelines

اجزای سفارشی و CI/CD برای خطوط لوله TFX Custom components and CI/CD for TFX pipelines

• اجزای سفارشی TFX: توابع پایتون TFX custom components : Python functions

• اجزای سفارشی TFX: کانتینرها + زیرکلاس TFX custom components : containers + subclassed

• CI/CD برای گردش کار خط لوله TFX CI/CD for TFX pipeline workflows

• معرفی آزمایشگاه: بررسی آزمایشگاهی CI/CD Lab Intro: CI/CD lab walkthrough

• آزمایشگاه: CI/CD برای خط لوله TFX Lab: CI/CD for a TFX pipeline

فراداده ML با TFX ML Metadata with TFX

• فراداده خط لوله TFX TFX Pipeline Metadata

• مدل داده های فراداده TFX ML TFX ML Metadata data model

• معرفی آزمایشگاه: فراداده خط لوله TFX Lab Intro: TFX Pipeline Metadata

• آزمایشگاه: فراداده TFX Lab: TFX Metadata

آموزش مداوم با چند SDK، KubeFlow و خط لوله پلتفرم هوش مصنوعی Continuous Training with multiple SDKs, KubeFlow & AI Platform Pipelines

• برنامه های آموزشی کانتینری Containerized Training Applications

• کانتینر کردن برنامه های PyTorch، Scikit و XGBoost Containerizing PyTorch, Scikit, and XGBoost Applications

• خطوط لوله پلتفرم هوش مصنوعی KubeFlow KubeFlow & AI Platform Pipelines

• آموزش مستمر Continuous Training

• معرفی آزمایشگاه: آموزش مداوم با چند SDK Lab Intro : Continuous Training with multiple SDKs

• آزمایشگاه: آموزش مداوم با TensorFlow، PyTorch، XGBoost و Scikit Learn Models با Kubeflow و AI Platform Pipelines Lab: Continuous Training with TensorFlow, PyTorch, XGBoost, and Scikit Learn Models with Kubeflow and AI Platform Pipelines

آموزش مداوم با Cloud Composer Continuous Training with Cloud Composer

• Cloud Composer چیست؟ What is Cloud Composer?

• مفاهیم اصلی جریان هوای آپاچی Core Concepts of Apache Airflow

• خطوط لوله آموزش مداوم با استفاده از Cloud Composer (داده) Continuous Training Pipelines using Cloud Composer (data)

• خطوط لوله آموزش مداوم با استفاده از Cloud Composer (مدل) Continuous Training Pipelines using Cloud Composer (model)

• Apache Airflow، Containers و TFX Apache Airflow, Containers, and TFX

• معرفی آزمایشگاه: خطوط لوله آموزش مداوم با Cloud Composer Lab Intro : Continuous Training Pipelines with Cloud Composer

• آزمایشگاه: خطوط لوله آموزش مداوم با Cloud Composer Lab: Continuous Training Pipelines with Cloud Composer

خطوط لوله ML با MLflow ML Pipelines with MLflow

• معرفی Introduction

• مروری بر چالش های توسعه ML Overview of ML development challenges

• چگونه MLflow با این چالش ها مقابله می کند How MLflow tackles these challenges

• ردیابی MLflow MLflow tracking

• پروژه های MLflow MLflow projects

• مدل های MLflow MLflow models

• رجیستری مدل MLflow MLflow model registry

• نسخه ی نمایشی: مقدمه Demo : Introduction

• استقرار MLflow با ردیابی محلی Keras، TensorFlow و آزمایش‌های Sckit-Learn Deploying MLflow Locally Tracking Keras, TensorFlow, and Sckit-learn experiments

خلاصه Summary

• خلاصه دوره Course Summary