لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش اشتراک گذاری و کشف ویژگی با استفاده از فروشگاه ویژگی Databricks
Feature Sharing and Discovery Using the Databricks Feature Store
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره به شما یاد می دهد که چگونه می توانید ویژگی های یادگیری ماشینی پیش پردازش شده خود را با استفاده از Databricks Feature Store ذخیره، دسترسی، مدیریت و به اشتراک بگذارید. تبدیل داده های خام به ویژگی ها بخش بسیار مهمی از گردش کار یادگیری ماشین است. مدلهای یادگیری ماشینی روی دادههای خام آموزش نمیبینند، در عوض، به ویژگیهای از پیش پردازششدهای نیاز دارند که به ساخت مدلهای قوی کمک میکند. در این دوره آموزشی، اشتراک گذاری و کشف ویژگی با استفاده از فروشگاه ویژگی Databricks، ایجاد و استفاده از ویژگی های از پیش محاسبه شده از یک مخزن متمرکز، فروشگاه ویژگی ها و اهمیت فروشگاه های ویژگی و نحوه کمک به بهبود گردش کار فرآیند یادگیری ماشینی را خواهید آموخت. . ابتدا، با استفاده از API مشتری فروشگاه ویژگیها، ویژگیها را در فروشگاههای آفلاین ایجاد و پر میکنید و ویژگیهای موجود را بازنویسی میکنید و ویژگیهای جدید را در یک فروشگاه ادغام میکنید. در مرحله بعد، یاد خواهید گرفت که چگونه می توانید از اشیاء جستجوی ویژگی برای ایجاد مجموعه های آموزشی برای آموزش مدل های یادگیری ماشینی با استفاده از ویژگی های ذخیره شده در جداول ویژگی استفاده کنید. سپس، برای ایجاد دادههای آموزشی، به رکوردهای فروشگاه ویژگی با ردیفهایی در یک قاب داده ملحق میشوید و مدلها را با استفاده از سرویس گیرنده ذخیره ویژگی ثبت میکنید و از این مدل برای انجام استنتاج دستهای روی دادههای خود استفاده میکنید. در نهایت، خواهید دید که چگونه میتوانید ویژگیهای دستهای خود را در یک فروشگاه ویژگی آنلاین منتشر کنید که از یک پایگاه داده با تأخیر کم مانند Azure Cosmos DB برای ذخیره ویژگیها برای سرویسدهی بلادرنگ استفاده میکند. شما یک مدل را در نقطه پایانی REST مستقر خواهید کرد و از ویژگیهای فروشگاه آنلاین برای سرویس دهی بلادرنگ استفاده میکنید. پس از اتمام این دوره، مهارت ها و دانش لازم برای استفاده از ذخیره ویژگی Databricks برای پیش محاسبه، ذخیره و دسترسی به ویژگی ها برای آموزش مدل های یادگیری ماشین را خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
شروع به کار با فروشگاه ویژگی Databricks
Getting Started with the Databricks Feature Store
پیش نیازها و رئوس مطالب دوره
Prerequisites and Course Outline
فروشگاه ویژگی Databricks
The Databricks Feature Store
مفاهیم فروشگاه ویژگی
Feature Store Concepts
نسخه ی نمایشی: تنظیم محیط Databricks
Demo: Setting up the Databricks Environment
نسخه ی نمایشی: بارگیری و پیش پردازش داده های خام
Demo: Loading and Preprocessing Raw Data
نسخه ی نمایشی: ایجاد و پر کردن جداول ویژگی
Demo: Creating and Populating Feature Tables
نسخه ی نمایشی: دسترسی به فراداده ها و محتویات جدول ویژگی ها
Demo: Accessing Feature Table Metadata and Contents
نسخه ی نمایشی: جداول ویژگی، جداول دلتا زیر سرپوش هستند
Demo: Feature Tables Are Delta Tables under the Hood
نسخه ی نمایشی: بازنویسی و ادغام رکوردها در یک جدول ویژگی
Demo: Overwriting and Merging Records in a Feature Table
نسخه ی نمایشی: ایجاد یک جدول ویژگی با ستون های پارتیشن
Demo: Creating a Feature Table with Partition Columns
نسخه ی نمایشی: افزودن ویژگی های جدید به جدول ویژگی های موجود - I
Demo: Adding New Features to an Existing Feature Table - I
نسخه ی نمایشی: افزودن ویژگی های جدید به جدول ویژگی های موجود - II
Demo: Adding New Features to an Existing Feature Table - II
نسخه ی نمایشی: افزودن، به روز رسانی و حذف برچسب ها
Demo: Adding, Updating, and Deleting Tags
نسخه ی نمایشی: پر کردن جداول ویژگی با استفاده از داده های جریانی
Demo: Populating Feature Tables Using Streaming Data
مدل های آموزشی و انجام استنتاج با جداول ویژگی
Training Models and Performing Inference with Feature Tables
مجموعه داده های آموزشی و استنتاج مدل
Training Datasets and Model Inference
نسخه ی نمایشی: پیش پردازش ویژگی های خام و ایجاد یک جدول ویژگی
Demo: Preprocessing Raw Features and Creating a Feature Table
نسخه ی نمایشی: استفاده از ویژگی های یک جدول ویژگی برای آموزش مدل ها
Demo: Using Features from a Feature Table to Train Models
نسخه ی نمایشی: بررسی معیارها و پارامترهای ردیابی
Demo: Exploring Tracking Metrics and Parameters
نسخه ی نمایشی: استفاده از ویژگی های DataFrame و Feature Table برای آموزش مدل ها
Demo: Using Features from a DataFrame and Feature Table to Train Models
نسخه ی نمایشی: ایجاد پیش بینی مدل با استفاده از ویژگی های فروشگاه ویژگی
Demo: Making Model Predictions Using Features from the Feature Store
نسخه ی نمایشی: استفاده از ویژگی های جداول چندگانه برای آموزش مدل ها
Demo: Using Features from Multiple Feature Tables to Train Models
انتشار ویژگی ها در یک فروشگاه آنلاین ویژگی
Publishing Features to an Online Feature Store
فروشگاه های ویژه آنلاین
Online Feature Stores
نسخه ی نمایشی: ایجاد یک فروشگاه ویژگی آفلاین
Demo: Creating an Offline Feature Store
نسخه ی نمایشی: ایجاد یک پایگاه داده و کانتینر حساب DB Azure Cosmos
Demo: Creating an Azure Cosmos DB Account Database and Container
نسخه ی نمایشی: پیکربندی اسرار برای دسترسی به Cosmos DB از Databricks
Demo: Configuring Secrets to Access Cosmos DB from Databricks
نسخه ی نمایشی: ویژگی ها را در فروشگاه آنلاین Cosmos DB منتشر کنید
Demo: Publish Features to the Cosmos DB Online Store
نسخه ی نمایشی: استفاده از ویژگی های یک فروشگاه آنلاین برای استنتاج بلادرنگ
Demo: Using Features from an Online Store for Real-time Inferencing
Janani Ravi یک معمار و مهندس داده خبره Google cloud است.
جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.
نمایش نظرات