آموزش آشنایی با MLOps (عملیات یادگیری ماشین) - آخرین آپدیت

دانلود Introduction to MLOps

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: مدل‌های یادگیری ماشین تنها زمانی مؤثر هستند که توسط سیستم‌های پشتیبان مناسب مدیریت شوند. در این دوره آموزشی با عنوان «آشنایی با MLOps»، شما یاد می‌گیرید که چگونه یک خط لوله (Pipeline) جامع و بهینه MLOps را با استفاده از مجموعه‌ای از ابزارهای متن‌باز و سازگار با لینوکس ایجاد کنید. در ابتدا، نحوه تعامل مدل‌رجیستری‌ها (Model Registries) و ذخیره‌ساز ویژگی‌ها (Feature Stores) را برای ارتقای همکاری، نسخه‌بندی و تکرارپذیری بررسی می‌کنیم و با استفاده از MLflow و Feast، مدل‌ها و ویژگی‌های خود را در طول چرخه حیات مدیریت خواهیم کرد. سپس، تکنیک‌های کنترل نسخه را برای داده‌ها و مدل‌ها با استفاده از Git و DVC به کار می‌بریم تا اطمینان حاصل کنیم که آزمایش‌ها تکرارپذیر هستند و خط لوله شما به طور خودکار به تغییرات کد یا داده‌های آموزشی پاسخ می‌دهد. در نهایت، نحوه نظارت بر عملکرد مدل و استقرار آن روی شتاب‌دهنده‌های سخت‌افزاری را با بهره‌گیری از ابزارهایی مانند Evidently برای تشخیص رانش داده‌ها (Drift Detection) و BentoML به همراه Docker برای استنباط (Inference) مقیاس‌پذیر و بهینه خواهید آموخت. در پایان این دوره، شما قادر خواهید بود گردش کارهای قدرتمند MLOps را با ابزارهای متن‌باز پیاده‌سازی کنید، کیفیت مدل را در طول زمان حفظ نمایید و سرویس‌های یادگیری ماشین با کارایی بالا را با اطمینان کامل مستقر کنید.

سرفصل ها و درس ها

راه‌اندازی MLflow و ثبت مدل Setting up MLflow and Registering a Model

  • آشنایی با MLflow و مدل‌رجیستری‌ها Introduction to MLflow and Model Registries

  • آشنایی با ذخیره‌ساز ویژگی‌ها (Feature Stores) Introduction to Feature Stores

کنترل نسخه از طریق Git و DVC Revision Control via Git and DVC

  • افزودن کنترل نسخه Adding Revision Control

  • کار با DVC Working with DVC

تعریف و نظارت بر رانش داده‌ها (Drift) Defining and Monitoring Drift

  • آشنایی با رانش مدل (Model Drift) Introduction to Model Drift

  • شناسایی رانش Identifying Drift

  • مدیریت رانش با استفاده از آستانه‌ها Managing Drift with Thresholds

استقرار ابزار یادگیری ماشین Deploying an ML Tool

  • استقرار یک مدل یادگیری ماشین Deploying an ML Model

  • ارزیابی عملکرد استنباط (Inference) Evaluating Inference Performance

نمایش نظرات

آموزش آشنایی با MLOps (عملیات یادگیری ماشین)
جزییات دوره
39m
9
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
16
3.5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Anthony Alampi Anthony Alampi

من آنتونی آلامپی هستم ، یک طراح و توسعه دهنده تعاملی ساکن آستین ، تگزاس. من یک توسعه دهنده حرفه ای بازی های ویدیویی و صاحب فعلی شرکت طراحی وب با بیش از 15 سال تجربه برنامه نویسی و بیش از 7 سال تجربه طراحی هستم. طراحی کاربر محور علاقه من است و معتقدم وقتی کاربران در اولویت قرار می گیرند ، دوباره برمی گردند! نمونه کارهای شخصی من را می توانید در این آدرس مشاهده کنید: https://www.anthonyalampi.com/درباره شرکت من: مشاوران X Factor یک شرکت طراحی دیجیتال است که در Round Rock ، تگزاس مستقر است. ما در ایجاد وب سایت های تمیز ، کاربر پسند و آرم های چشم نواز ، رسانه های دیجیتال و سایر مواد بازاریابی برای طیف گسترده ای از صنایع تخصص داریم. ما همچنین خدمات اصلی نوشتن محتوای UX دوستانه را برای رسانه های تعاملی و همچنین پشتیبانی وب مستر پس از راه اندازی مشتری آنلاین خود را ارائه می دهیم. درباره کارهایی که X Factor می تواند برای سازمان شما انجام دهد بیشتر بدانید: https://www.xfactorconsultants.com/