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 مدل های یادگیری ماشین را برای استقرار 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
  • ابزارها و تکنیک های یادگیری ماشین مقیاس پذیر
  • الگوهای طراحی معماری برای سیستم های مقیاس پذیر
  • مدل های یادگیری ماشین به عنوان خدمات
  • مدل های حاوی ظرف
  • کوبرنتز برای ارکستراسیون کانتینر
  • نظارت بر عملکرد
  • بهترین روشها برای مقیاس گذاری مدلهای یادگیری ماشین

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

  • مراحل بعدی Next steps

نمایش نظرات

به کارگیری آموزش ماشین مقیاس پذیر برای علوم داده
جزییات دوره
1h 43m
32
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
24,235
- از 5
ندارد
دارد
دارد
Dan Sullivan
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dan Sullivan Dan Sullivan

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.