نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره شرکت کنندگان را با ابزارها و بهترین شیوه های MLOps برای استقرار ، ارزیابی ، نظارت و بهره برداری از سیستم های تولید ML در Google Cloud آشنا می کند. MLOps بر استقرار ، آزمایش ، نظارت و اتوماسیون سیستم های ML متمرکز است. همه را بزرگ کنید چرا و چه زمانی به MLOps نیاز داریم 16m 25s درک م mainلفه های اصلی Kubernetes (اختیاری) 1 ساعت و 37 دقیقه و 15 ثانیه مقدمه ای بر خطوط لوله بستر های نرم افزاری AI 41m 37s آموزش ، تنظیم و خدمت در بستر AI 37 متر 5 ثانیه خطوط لوله Kubeflow در بستر AI 32m 31s CI/CD برای خطوط لوله Kubeflow در بستر AI 13m 37s خلاصه دوره 1m 59s علائم تجاری و نام تجاری اشخاص ثالث ذکر شده در این دوره متعلق به صاحبان مربوطه می باشند و Pluralsight وابسته یا تأیید شده توسط این احزاب نیست.
سرفصل ها و درس ها
چرا و چه زمانی به MLOps نیاز داریم
Why and When do we need MLOps
-
معرفی دوره
Course Introduction
-
Data Scientists ’Pain Points
Data Scientists’ Pain Points
-
چرخه زندگی یادگیری ماشین
Machine Learning Lifecycle
-
MLOps Architecture و اجزای توسعه یافته TensorFlow
MLOps Architecture and TensorFlow Extended Components
درک م mainلفه های اصلی Kubernetes (اختیاری)
Understanding the main Kubernetes components (Optional)
-
مقدمه
Introduction
-
معرفی ظروف
Introduction to Containers
-
ظروف و تصاویر کانتینر
Containers and Container Images
-
معرفی آزمایشگاه
Lab introduction
-
شروع کار با GCP و Qwiklabs
Getting Started With GCP And Qwiklabs
-
آزمایشگاه: کار با Cloud Build
Lab: Working with Cloud Build
-
محلول آزمایشگاه
Lab solution
-
مقدمه ای بر کوبرنتس
Introduction to Kubernetes
-
مقدمه ای بر موتور Google Kubernetes
Introduction to Google Kubernetes Engine
-
جزئیات گزینه های محاسبه
Compute Options Detail
-
مفاهیم Kubernetes
Kubernetes Concepts
-
هواپیمای کنترل Kubernetes
The Kubernetes Control Plane
-
مفاهیم موتور Google Kubernetes
Google Kubernetes Engine Concepts
-
مقدمه آزمایشگاه
Lab Introduction
-
آزمایشگاه: استفاده از موتور Google Kubernetes
Lab: Deploying Google Kubernetes Engine
-
راه حل آزمایشگاه
Lab Solution
-
استقرارها 1
Deployments 1
-
راه های ایجاد استقرار
Ways to Create Deployments
-
خدمات و مقیاس گذاری
Services and Scaling
-
به روزرسانی اعزام ها
Updating Deployments
-
به روز رسانی های نورد
Rolling Updates
-
استقرارهای سبز و آبی
Blue-Green Deployments
-
اعزام قناری
Canary Deployments
-
مدیریت استقرارها
Managing Deployments
-
معرفی آزمایشگاه
Lab Intro
-
آزمایشگاه: ایجاد استقرار موتور Kubernetes Google
Lab: Creating Google Kubernetes Engine Deployments
-
مشاغل و CronJobs
Jobs and CronJobs
-
مشاغل موازی
Parallel Jobs
-
CronJobs
CronJobs
مقدمه ای بر خطوط لوله بستر های نرم افزاری AI
Introduction to AI Platform Pipelines
-
بررسی اجمالی
Overview
-
مقدمه ای بر خطوط لوله بستر های نرم افزاری AI
Introduction to AI Platform Pipelines
-
خطوط لوله بستر AI: مفاهیم
AI Platform Pipelines : Concepts
-
خطوط لوله بستر های نرم افزاری AI: زمان استفاده
AI Platform Pipelines : When to use
-
خطوط لوله بستر AI: اکوسیستم
AI Platform Pipelines : Ecosystem
-
آزمایشگاه: در حال اجرای خطوط لوله بستر های نرم افزاری AI
Lab: Running AI Platform Pipelines
-
راه حل آزمایشگاهی: خطوط لوله بستر های نرم افزاری AI
Lab Solution: AI Platform Pipelines
آموزش ، تنظیم و خدمت در بستر AI
Training, Tuning and Serving on AI Platform
-
بررسی اجمالی سیستم و مفاهیم
System and concepts overview
-
یک مجموعه داده قابل تکرار ایجاد کنید
Create a reproducible dataset
-
مدل قابل تنظیم را پیاده سازی کنید
Implement a tunable model
-
یک ظرف آموزشی بسازید و فشار دهید
Build and push a training container
-
مدل را آموزش دهید و تنظیم کنید
Train and tune the model
-
مدل را ارائه و پرس و جو کنید
Serve and query the model
-
معرفی آزمایشگاه: آموزش ، تنظیم و خدمت در بستر های نرم افزاری هوش مصنوعی
Lab Intro: Training, Tuning, and Serving on AI Platform
-
آزمایشگاه: استفاده از ظروف سفارشی با AI Platform Training
Lab: Using custom containers with AI Platform Training
خطوط لوله Kubeflow در بستر AI
Kubeflow Pipelines on AI Platform
-
بررسی اجمالی سیستم و مفهوم
System and concept overview
-
توصیف خط لوله Kubeflow با KF DSL
Describing a Kubeflow Pipeline with KF DSL
-
اجزای از پیش ساخته شده
Pre-built components
-
اجزای سبک پایتون
Lightweight Python Components
-
اجزای سفارشی
Custom components
-
کامپایل ، بارگذاری و اجرا
Compile, Upload and Run
-
Lab Intro: خط لوله آموزش مداوم با خط لوله Kubeflow و Cloud AI Platform
Lab Intro: Continuous Training Pipeline with Kubeflow Pipeline and Cloud AI Platform
-
آزمایشگاه: خط لوله آموزش مداوم با KFP و Cloud AI Platform
Lab: Continuous Training Pipeline with KFP and Cloud AI Platform
CI/CD برای خطوط لوله Kubeflow در بستر AI
CI/CD for Kubeflow Pipelines on AI Platform
-
نمای کلی مفهوم
Concept Overview
-
سازندگان ابر ساز
Cloud Build Builders
-
پیکربندی ساخت ابر
Cloud Build Configuration
-
راه اندازهای Cloud Build
Cloud Build Triggers
-
Lab Intro: CI/CD برای خط لوله Kubeflow
Lab Intro: CI/CD for a Kubeflow Pipeline
-
آزمایشگاه: CI/CD برای خط لوله KFP
Lab: CI/CD for a KFP pipeline
خلاصه دوره
Course Summary
-
خلاصه دوره
Course Summary
نمایش نظرات