آموزش Azure ML: استقرار، مدیریت و آزمایش مدل‌ها - آخرین آپدیت

دانلود Azure ML: Deploying, Managing, and Experimenting with Models

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره برای ایجاد یک پایه جامع در یادگیری ماشین Azure (Azure Machine Learning) طراحی شده است و فراگیران را با مهارت‌های ضروری برای مدیریت جریان‌های کاری ML در فضای کاری Azure ML آشنا می‌کند. شرکت‌کنندگان ابتدا با مفاهیم اساسی فضای کاری، از جمله تنظیمات محیط، مدیریت منابع و اجزای کلیدی برای آزمایش‌های ML آشنا می‌شوند. سپس دوره به مفاهیم پیشرفته‌ای مانند بهینه‌سازی منابع پردازشی، مدیریت موثر مجموعه‌داده‌ها و پیکربندی خط‌لوله‌های (Pipelines) با کارایی بالای ML می‌پردازد. فراگیران در زمینه مقیاس‌بندی بارهای کاری ML، تنظیم استراتژی‌های ذخیره‌سازی داده‌ها و به‌کارگیری بهترین روش‌ها برای استقرار ایمن و کارآمد مدل‌ها تخصص کسب خواهند کرد. علاوه بر این، این دوره تکنیک‌های پیشرفته مدیریت داده و پردازش را برای ارتقای عملیات یادگیری ماشین (MLOps) و اطمینان از یکپارچگی بی‌نقص با خدمات Azure پوشش می‌دهد. این دوره در چندین ماژول ساختاریافته است که هر کدام شامل درس‌ها و ویدیوهای آموزشی برای ارائه بینش‌های تئوری و تمرین‌های عملی هستند. شرکت‌کنندگان با حدود ۳ تا ۴ ساعت محتوای آموزشی درگیر می‌شوند تا هم درک مفهومی و هم کاربرد عملی آن‌ها تضمین شود. برای تقویت یادگیری، تکالیف نمره‌دار و بدون نمره در هر ماژول گنجانده شده است تا توانایی فراگیران در سناریوهای دنیای واقعی سنجیده شود. ماژول ۱: آزمایش با Azure Machine Learning ماژول ۲: استقرار، مصرف، مدیریت و ارزیابی مدل‌ها با Azure Machine Learning در پایان این دوره، فراگیر قادر خواهد بود: - فرآیند ثبت، لاگ‌گذاری و استقرار مدل‌های MLflow را بررسی کند - مفاهیم و پیاده‌سازی‌های هوش مصنوعی مسئولانه (Responsible AI) را درک کند - مبانی AutoML در Azure را بیاموزد - با الگوریتم‌ها و وظایف مختلف یادگیری ماشین آشنا شود - در تفسیر نتایج کارهای AutoML برای تضمین موفقیت و بهینه‌سازی عملکرد مدل تسلط یابد.

سرفصل ها و درس ها

آزمایش با Azure Machine Learning Experiment with Azure Machine Learning

  • معرفی AutoML Introducing AutoML

  • پیش‌پردازش داده‌ها و پیکربندی ویژگی‌ها Preprocess data and configure featurization

  • اجرای یک آزمایش یادگیری ماشین خودکار Run an Automated Machine Learning experiment

  • الگوریتم‌های یادگیری ماشین Machine Learning Algorithms

  • انواع مختلف وظایف یادگیری ماشین Different Types of Machine Learning Tasks

  • ارزیابی و مقایسه مدل‌ها Evaluate and compare models

  • بررسی مراحل پیش‌پردازش در Azure Machine Learning Exploring Preprocessing Steps in Azure Machine Learning

  • پیکربندی MLflow برای ردیابی مدل در نوت‌بوک‌ها Configure MLflow for model tracking in notebooks

  • تنظیم و اجرای یک Job در AutoML Setting and Running an AutoML job

  • درک موفقیت در اجرای AutoML Understanding an AutoML job success

  • نکات آزمون Exam Tips

استقرار، مصرف، مدیریت و ارزیابی مدل‌ها با Azure Machine Learning Deploying, Consuming, Managing, and Evaluating Models with Azure Machine Learning

  • مقدمه‌ای بر نحوه ثبت و استقرار مدل‌های یادگیری ماشین با استفاده از MLflow Introduction To Exploring how to Register and Deploy Machine Learning Models Using MLflow

  • لاگ‌گذاری مدل‌های یادگیری ماشین با MLflow Logging machine learning models using MLflow

  • استفاده از Autologging برای ثبت مدل Use Autologging to log a model

  • درک فرمت مدل MLflow Understand the MLflow model format

  • پیکربندی Signature برای مدل‌های MLflow در Azure ML Configuring the Signature for MLflow Models in Azure Machine Learning

  • ثبت یک مدل MLflow در Azure Machine Learning Registering an MLflow Model in Azure Machine Learning

  • درک هوش مصنوعی مسئولانه (Responsible AI) Understand Responsible AI

  • ارزیابی داشبورد هوش مصنوعی مسئولانه در Azure ML Evaluating the Responsible AI Dashboard in Azure Machine Learning

  • بررسی تحلیل خطا در داشبورد Responsible AI Exploring Error Analysis in the Responsible AI Dashboard

  • بررسی توضیحات (Explanations) Explore Explanations

  • بررسی تحلیل‌های متقابل (Counterfactuals) و تحلیل علی Explore Counterfactuals and Causal Analysis

  • ثبت مدل در Azure Machine Learning Registering a Model in Azure Machine Learning

  • نکات آزمون Exam Tips

  • استقرار مدل در یک Endpoint آنلاین مدیریت شده Deploy a model to a managed online endpoint

  • نقاط انتهایی آنلاین مدیریت شده (Managed Online Endpoint) Managed Online Endpoint

  • استقرار مدل MLflow در Managed Online Endpoint Deploy MLflow Model to a Managed Online Endpoin

  • استقرار Blue-Green Blue-Green Deployment

  • نکات آزمون Exam Tips

نمایش نظرات

آموزش Azure ML: استقرار، مدیریت و آزمایش مدل‌ها
جزییات دوره
7h 44m
29
(آخرین آپدیت)
312
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده