لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
به کارگیری آموزش ماشین مقیاس پذیر برای علوم داده
Deploying Scalable Machine Learning for Data Science
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
مدلهای یادگیری ماشینی غالباً در محیطهای پیچیده تولیدی اجرا می شوند که می توانند با فرسودگی و انبوه داده های بزرگ سازگار شوند. ابزارها و روش هایی که به دانشمندان داده کمک می کند تا به سرعت ساخت em> مدل های یادگیری ماشین را برای استقرار em> آن در مقیاس کافی نداشته باشند. برای ارائه راه حل های مقیاس پذیر ، شما به یک مجموعه ابزار کاملا جدید نیاز دارید. این دوره ، دانشمندان داده و مهندسین DevOps ، مروری بر الگوهای معمول طراحی برای معماری مقیاس پذیر یادگیری ماشین ، و همچنین ابزارهایی برای استقرار و نگهداری مدل های یادگیری ماشین در تولید ، فراهم می کند. مربی Dan Sullivan سه فناوری را که امکان یادگیری ماشین مقیاس پذیر را فراهم می کنند مرور می کند: خدماتی که مدل ها را از طریق API نشان می دهد ، کانتینرهایی برای استقرار مدل ها و ابزارهای ارکستراسیون مانند Kubernetes که به مدیریت ظروف و خوشه ها کمک می کند. به علاوه ، نکاتی را برای نظارت بر عملکرد خدمات خود در محیط های تولید دریافت کنید.
موضوعات شامل:
تعریف مقیاس پذیری li>
ابزارها و تکنیک های یادگیری ماشین مقیاس پذیر li>
الگوهای طراحی معماری برای سیستم های مقیاس پذیر li>
مدل های یادگیری ماشین به عنوان خدمات li>
مدل های حاوی ظرف li>
کوبرنتز برای ارکستراسیون کانتینر li>
نظارت بر عملکرد li>
بهترین روشها برای مقیاس گذاری مدلهای یادگیری ماشین li>
سرفصل ها و درس ها
مقدمه
Introduction
مقیاس های مدل ML
Scaling ML models
آنچه باید بدانید
What you should know
1. نیاز به مقیاس مدل های ML
1. The Need to Scale ML Models
ساخت و اجرای مدل های ML برای دانشمندان داده
Building and running ML models for data scientists
ساخت و استقرار مدل های ML برای مصارف تولید
Building and deploying ML models for production use
تعریف مقیاس گذاری ML برای تولید
Definition of scaling ML for production
مروری بر ابزارها و تکنیک های ML مقیاس پذیر
Overview of tools and techniques for scalable ML
2. طراحی الگوی برنامه های کاربردی ML مقیاس پذیر
2. Design Patterns for Scalable ML Applications
مقیاس گذاری افقی و عمودی
Horizontal vs. vertical scaling
اجرای مدل ها به عنوان خدمات
Running models as services
API برای خدمات مدل ML
APIs for ML model services
تعادل بار و خوشه های سرورها
Load balancing and clusters of servers
مقیاس به صورت افقی با ظروف
Scaling horizontally with containers
3. استقرار مدل های ML به عنوان خدمات
3. Deploying ML Models as Services
خدمات مدل های ML را محصور می کنند
Services encapsulate ML models
استفاده از Plumber برای ایجاد API برای برنامه های R
Using Plumber to create APIs for R programs
استفاده از Flask برای ایجاد API برای برنامه های Python
Using Flask to create APIs for Python programs
بهترین روشها برای طراحی API برای خدمات ML
Best practices for API design for ML services
4- اجرای سرویس های ML در ظروف
4. Running ML Services in Containers
ظروف اجزای مدل ML را بسته بندی می کنند
Containers bundle ML model components
آشنایی با داکر
Introduction to Docker
ساخت تصاویر داکر با Dockerfiles
Building Docker images with Dockerfiles
به عنوان مثال فرآیند ساخت داکر
Example Docker build process
با استفاده از ثبت های Docker برای مدیریت تصاویر
Using Docker registries to manage images
5. مقیاس گذاری خدمات ML با کوبنتز
5. Scaling ML Services with Kubernetes
خدمات در حال اجرا در خوشه
Running services in clusters
آشنایی با کوبرنتس
Introduction to Kubernetes
ایجاد یک خوشه Kubernetes
Creating a Kubernetes cluster
استقرار ظروف در یک خوشه Kubernetes
Deploying containers in a Kubernetes cluster
مقیاس کردن یک خوشه Kubernetes
Scaling up a Kubernetes cluster
اتوکلاست یک خوشه Kubernetes
Autoscaling a Kubernetes cluster
6. خدمات ML در تولید
6. ML Services in Production
نظارت بر عملکرد سرویس
Monitoring service performance
داده های عملکرد سرویس
Service performance data
نظارت بر ظرف داکر
Docker container monitoring
نظارت بر کوبنتز
Kubernetes monitoring
نتیجه
Conclusion
بهترین روشها برای مقیاس گذاری ML
Best practices for scaling ML
لینکدین: شبکه اجتماعی حرفهای برای ارتباط و کارآفرینی
لینکدین به عنوان یکی از بزرگترین شبکههای اجتماعی حرفهای، به میلیونها افراد در سراسر جهان این امکان را میدهد تا ارتباط برقرار کنند، اطلاعات حرفهای خود را به اشتراک بگذارند و فرصتهای شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان میدهد تا رزومه حرفهای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمنها و گروههای حرفهای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهرهمند شوند.
لینکدین همچنین به کارفرمایان امکان میدهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفهای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصتهای شغلی و گسترش شبکه حرفهای خود، نقش مهمی را ایفا میکند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفهای در دنیای امروز مورد توجه قرار دارد.
معمار سازمانی ، کارشناس بزرگ داده
دان سالیوان ، دکترای علوم ، یک معمار سازمانی و متخصص داده های بزرگ است.
دان متخصص در معماری داده ، تجزیه و تحلیل ، داده کاوی ، آمار ، مدل سازی داده ها ، داده های بزرگ و رایانش ابری است. علاوه بر این ، او دارای دکترای ژنتیک ، بیوانفورماتیک و زیست محاسباتی است. Dan به طور منظم با Spark ، Oracle ، NoSQL ، MongoDB ، Redis ، R و Python کار می کند. وی تجربه نوشتن گسترده ای در موضوعاتی از جمله رایانش ابری ، داده های بزرگ ، Hadoop و امنیت دارد.
نمایش نظرات