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

  • نسخه ی نمایشی: حذف جداول ویژگی Demo: Deleting Feature Tables

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

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

آموزش اشتراک گذاری و کشف ویژگی با استفاده از فروشگاه ویژگی Databricks
جزییات دوره
2h 1m
30
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

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.