لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
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
نمایش نظرات