لطفا جهت پرداخت (ورود به درگاه بانک) فیلترشکن خود را خاموش نمایید.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش سیستم های یادگیری ماشین تولید
Production Machine Learning Systems
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره نحوه پیاده سازی انواع مختلف سیستم های ML تولیدی را پوشش می دهد - آموزش استاتیک، پویا و مداوم. استنتاج استاتیک و پویا؛ و پردازش دسته ای و آنلاین. شما در سطوح مختلف انتزاع TensorFlow می کاوشید... این دوره نحوه اجرای انواع مختلف سیستم های ML تولیدی را پوشش می دهد - آموزش ایستا، پویا و مداوم. استنتاج استاتیک و پویا؛ و پردازش دسته ای و آنلاین. شما به سطوح انتزاعی TensorFlow، گزینه های مختلف برای انجام آموزش توزیع شده و نحوه نوشتن مدل های آموزشی توزیع شده با برآوردگرهای سفارشی می پردازید. این دومین دوره از مجموعه یادگیری ماشین پیشرفته در Google Cloud است. پس از اتمام این دوره، در دوره آموزشی Image Understanding with TensorFlow در Google Cloud ثبت نام کنید.
سرفصل ها و درس ها
مقدمه ای بر یادگیری ماشینی پیشرفته در Google Cloud
Introduction to Advanced Machine Learning on Google Cloud
یادگیری ماشینی پیشرفته در Google Cloud
Advanced Machine Learning on Google Cloud
خوش آمدی
Welcome
سیستم های ML تولید معماری
Architecting Production ML Systems
معماری سیستم های ML
Architecting ML systems
استخراج، تجزیه و تحلیل و آماده سازی داده ها
Data extraction, analysis, and preparation
آموزش مدل، ارزیابی و اعتبارسنجی
Model training, evaluation, and validation
مدل آموزش دیده، خدمات پیش بینی، و نظارت بر عملکرد
Trained model, prediction service, and performance monitoring
تصمیمات طراحی آموزشی
Training design decisions
ارائه تصمیمات طراحی
Serving design decisions
طراحی از ابتدا
Designing from scratch
با استفاده از Vertex AI
Using Vertex AI
مقدمه آزمایشگاه: پیش بینی داده های ساخت یافته
Lab introduction: Structured data prediction
Pluralsight: شروع به کار با GCP و Qwiklabs
Pluralsight: Getting Started with GCP and Qwiklabs
آزمایشگاه: پیشبینی ساختار دادهها با استفاده از پلتفرم Vertex AI
Lab: Structured data prediction using Vertex AI Platform
مطالب خوانده شده: معماری سیستم های ML تولید
Readings: Architecting production ML systems
طراحی سیستم های ML سازگار
Designing Adaptable ML Systems
معرفی
Introduction
انطباق با داده ها
Adapting to data
تغییر توزیع ها
Changing distributions
آزمایشگاه: تطبیق با داده ها
Lab: Adapting to data
تصمیمات درست و غلط
Right and wrong decisions
خرابی سیستم
System failure
رانش مفهومی
Concept drift
اقدامات برای کاهش انحراف مفهوم
Actions to mitigate concept drift
اعتبارسنجی داده های TensorFlow
TensorFlow data validation
مؤلفه های اعتبارسنجی داده های TensorFlow
Components of TensorFlow data validation
مقدمه آزمایشگاه: مقدمه ای بر اعتبارسنجی داده های TensorFlow
Lab Introduction: Introduction to TensorFlow Data Validation
آزمایشگاه: مقدمه ای بر اعتبارسنجی داده های TensorFlow
Lab: Introduction to TensorFlow Data Validation
مقدمه آزمایشگاه: تجسم های پیشرفته با اعتبارسنجی داده های TensorFlow
Lab Introduction: Advanced Visualizations with TensorFlow Data Validation
آزمایشگاه: تجسمهای پیشرفته با اعتبارسنجی دادههای TensorFlow
Lab: Advanced Visualizations with TensorFlow Data Validation
کاهش انحراف در خدمت آموزش از طریق طراحی
Mitigating training-serving skew through design
آزمایشگاه: Vertex AI: آموزش و ارائه یک مدل سفارشی
Lab: Vertex AI: Training and Serving a Custom Model
تشخیص مدل تولید
Diagnosing a production model
مطالب خواندنی: طراحی سیستم های ML سازگار
Readings: Designing adaptable ML systems
طراحی سیستم های ML با کارایی بالا
Designing High-Performance ML Systems
معرفی
Introduction
آموزش
Training
پیش بینی ها
Predictions
چرا آموزش توزیع شده مورد نیاز است
Why distributed training is needed
معماری های آموزشی توزیع شده
Distributed training architectures
TensorFlow استراتژی های آموزشی را توزیع کرد
TensorFlow distributed training strategies
استراتژی آینه ای
Mirrored strategy
استراتژی آینه کاری چند کارگری
Multi-worker mirrored strategy
استراتژی TPU
TPU strategy
استراتژی سرور پارامتر
Parameter server strategy
معرفی آزمایشگاه: آموزش توزیع شده با کراس
Lab Introduction: Distributed Training with Keras
آزمایشگاه: آموزش توزیع شده با کراس
Lab: Distributed Training with Keras
آموزش مجموعه داده های بزرگ با tf.data API
Training on large datasets with tf.data API
معرفی آزمایشگاه: خطوط لوله داده با سرعت TPU
Lab Introduction: TPU-speed Data Pipelines
آزمایشگاه: خطوط لوله داده سرعت TPU
Lab: TPU Speed Data Pipelines
استنتاج
Inference
خواندنی ها: طراحی سیستم های ML با کارایی بالا
Readings: Designing high-performance ML systems
ساخت سیستم های ML ترکیبی
Building Hybrid ML Systems
معرفی
Introduction
یادگیری ماشین در ابر هیبریدی
Machine Learning on Hybrid Cloud
Kubeflow
Kubeflow
معرفی آزمایشگاه: خطوط لوله Kubeflow با پلتفرم هوش مصنوعی
Lab Introduction: Kubeflow Pipelines with AI Platform
آزمایشگاه: اجرای خطوط لوله بر روی Vertex AI 2.5
Lab: Running Pipelines on Vertex AI 2.5
TensorFlow Lite
TensorFlow Lite
بهینه سازی TensorFlow برای موبایل
Optimizing TensorFlow for mobile
خلاصه
Summary
قرائت: سیستم های ترکیبی ML
Readings: Hybrid ML systems
خلاصه
Summary
خلاصه دوره
Course summary
تولید سیستم های یادگیری ماشینی - خواندن
Production Machine learning systems - readings
تمام سوالات و پاسخ های مسابقه
All quiz questions and answers
منابع دوره
Course Resources
منابع دوره سیستم های ML تولید معماری
Architecting Production ML Systems Course Resources
Pluralsight یکی از پرطرفدارترین پلتفرمهای آموزش آنلاین است که به میلیونها کاربر در سراسر جهان کمک میکند تا مهارتهای خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دورههای آموزشی در زمینههای فناوری اطلاعات، توسعه نرمافزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه میدهد.
یکی از ویژگیهای برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعهدهندگان و کارشناسان معتبر، دورههایی را ارائه میدهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژیها نگه میدارد. این امر به کاربران این اطمینان را میدهد که دورههایی که در Pluralsight میپذیرند، با جدیدترین دانشها و تجارب به روز شدهاند.
Google Cloud آموزش و گواهینامه های درخواستی را در فناوری های ابری در حال ظهور ارائه می دهد.
Google Cloud با صدها آزمایشگاه، دوره و نشان مهارت، متخصصان را قادر میسازد تا مهارتهای ابری حیاتی را با سرعت خودشان ایجاد کنند. آزمایشگاههای عملی این شرکت اعتبارنامههای موقتی را به منابع واقعی ابر ارائه میدهند، بنابراین افراد میتوانند Google Cloud را با استفاده از چیز واقعی یاد بگیرند. فراگیران همچنین می توانند با کسب گواهینامه های Google Cloud و/یا نشان های مهارتی که می توانند با شبکه خود به اشتراک بگذارند، تخصص خود را تأیید کنند.
نمایش نظرات