آموزش ملزومات MLOps: توسعه و ادغام مدل
MLOps Essentials: Model Development and Integration
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
عملیات یادگیری ماشین (MLOps) یک دامنه در حال رشد در زمینه هوش مصنوعی است. همانطور که مدل های بیشتری در تولید مستقر می شوند، نیاز به چرخه عمر ML ساختار یافته، چابک و سرتاسر با اتوماسیون چند برابر شده است. MLOps ساختاری برای پروژه های یادگیری ماشینی فراهم می کند و به آنها کمک می کند در درازمدت موفق شوند. در این دوره، مربی Kumaran Ponnambalam بر مفاهیم کلیدی MLOps تمرکز می‌کند و به شما کمک می‌کند تا این مفاهیم را در کار روزانه ML خود اعمال کنید. کوماران شما را با چرخه زندگی یادگیری ماشینی آشنا می‌کند و چالش‌های منحصربه‌فرد با ML و همچنین تعاریف و اصول مهم را توضیح می‌دهد. او شما را از طریق الزامات و طراحی پروژه های ML راهنمایی می کند، سپس به پردازش و مدیریت داده ها می پردازد. کوماران ابزارها و فناوری های مختلفی را توضیح می دهد که می توانید در اتوماسیون و مدیریت آموزش مداوم از آنها استفاده کنید. او بهترین شیوه‌ها را برای مدیریت مدل پوشش می‌دهد، سپس دستورالعمل‌های مفصلی را در مورد ادغام مداوم ارائه می‌دهد.
سرفصل ها و درس ها
مقدمه Introduction
-
شروع کار با MLOs Getting started with MLOps
-
محدوده و پیش نیازها Scope and prerequisites
1. مقدمه ای بر MLOps 1. Introduction to MLOps
-
چرخه زندگی یادگیری ماشینی Machine learning life cycle
-
چالش های منحصر به فرد با ML Unique challenges with ML
-
DevOps چیست؟ What is DevOps?
-
MLOps چیست؟ What is MLOps?
-
اصول MLOps Principles of MLOps
-
چه زمانی MLO ها را شروع کنیم؟ When to start MLOps?
-
امتحان فصل Chapter Quiz
2. الزامات و طراحی 2. Requirements and Design
-
انتخاب پروژه های ML Selecting ML projects
-
ایجاد الزامات Creating requirements
-
طراحی گردش کار ML Designing the ML workflow
-
جمع آوری تیم Assembling the team
-
انتخاب ابزار و فناوری Choosing tools and technologies
-
امتحان فصل Chapter Quiz
3. پردازش و مدیریت داده ها 3. Data Processing and Management
-
خطوط لوله داده مدیریت شده Managed data pipelines
-
اعتبار سنجی خودکار داده ها Automated data validation
-
فروشگاه های ویژگی های مدیریت شده Managed feature stores
-
نسخه سازی داده ها Data versioning
-
حاکمیت داده Data governance
-
ابزار و فن آوری برای پردازش داده ها Tools and technologies for data processing
-
امتحان فصل Chapter Quiz
4. آموزش مستمر 4. Continuous Training
-
خطوط لوله آموزشی مدیریت شده Managed training pipelines
-
ایجاد برچسب داده ها Creating data labels
-
ردیابی آزمایشی Experiment tracking
-
AutoML AutoML
-
ابزار و فن آوری برای آموزش Tools and technologies for training
-
امتحان فصل Chapter Quiz
5. مدیریت مدل 5. Model Management
-
نسخه سازی مدل Model versioning
-
رجیستری مدل Model registry
-
مدل های محک زدن Benchmarking models
-
مدل مدیریت چرخه عمر Model life cycle management
-
ابزارها و فناوری ها برای مدیریت مدل Tools and technologies for model management
-
امتحان فصل Chapter Quiz
6. یکپارچه سازی مداوم 6. Continuous Integration
-
خطوط لوله یکپارچه سازی راه حل Solution integration pipelines
-
نوت بوک به نرم افزار Notebook to software
-
الگوهای ادغام راه حل Solution integration patterns
-
بهترین شیوه ها برای یکپارچه سازی راه حل ها Best practices for solution integration
-
امتحان فصل Chapter Quiz
نتیجه Conclusion
-
ادامه با MLOps Continuing on with MLOps
https://donyad.com/d/4be8
Kumaran Ponnambalam
اختصاص به آموزش علوم داده
V2 Maestros به آموزش علوم داده و داده های بزرگ با هزینه های مقرون به صرفه برای جهان اختصاص دارد. مربیان ما تجربه دنیای واقعی در تمرین علم داده و ارائه نتایج تجاری دارند. علم داده یک حوزه داغ و در حال رخ دادن در صنعت فناوری اطلاعات است. متأسفانه منابع موجود برای یادگیری این مهارت به سختی یافت می شود و گران است. امیدواریم این مشکل را با ارائه آموزش باکیفیت با نرخ های مقرون به صرفه، با ایجاد استعدادهای علم داده در سراسر جهان، کاهش دهیم.
نمایش نظرات