آموزش استقرار مدل های یادگیری ماشینی

سرفصل ها و درس ها

معرفی Introduction

• معرفی دوره Introduction to the course

• مروری بر برنامه درسی دوره Course curriculum overview

• الزامات دوره Course requirements

• راه اندازی کامپیوتر شما Setting up your computer

• مواد دوره Course Material

• کد The code

• ارائه ها Presentations

• مجموعه داده را دانلود کنید Download Dataset

• منابع اضافی برای مهارت های مورد نیاز Additional Resources for the required skills

• نحوه نزدیک شدن به دوره How to approach the course

معرفی Introduction

• معرفی دوره Introduction to the course

• مروری بر برنامه درسی دوره Course curriculum overview

• الزامات دوره Course requirements

• راه اندازی کامپیوتر شما Setting up your computer

• مواد دوره Course Material

• کد The code

• ارائه ها Presentations

• مجموعه داده را دانلود کنید Download Dataset

• منابع اضافی برای مهارت های مورد نیاز Additional Resources for the required skills

• نحوه نزدیک شدن به دوره How to approach the course

مروری بر استقرار مدل Overview of Model Deployment

• استقرار مدل های یادگیری ماشین Deployments of Machine Learning Models

• استقرار خطوط لوله یادگیری ماشین Deployment of Machine Learning Pipelines

• محیط تحقیق و تولید Research and Production Environment

• ساخت خطوط لوله یادگیری ماشینی تکرارپذیر Building Reproducible Machine Learning Pipelines

• چالش‌های تکرارپذیری Challenges to Reproducibility

• ساده سازی استقرار مدل با منبع باز Streamlining Model Deployment with Open-Source

• منابع خواندنی اضافی Additional Reading Resources

مروری بر استقرار مدل Overview of Model Deployment

• استقرار مدل های یادگیری ماشین Deployments of Machine Learning Models

• استقرار خطوط لوله یادگیری ماشین Deployment of Machine Learning Pipelines

• محیط تحقیق و تولید Research and Production Environment

• ساخت خطوط لوله یادگیری ماشینی تکرارپذیر Building Reproducible Machine Learning Pipelines

• چالش‌های تکرارپذیری Challenges to Reproducibility

• ساده سازی استقرار مدل با منبع باز Streamlining Model Deployment with Open-Source

• منابع خواندنی اضافی Additional Reading Resources

معماری سیستم یادگیری ماشین Machine Learning System Architecture

• معماری سیستم یادگیری ماشین و چرایی اهمیت آن Machine Learning System Architecture and Why it Matters

• چالش های خاص سیستم های یادگیری ماشینی Specific Challenges of Machine Learning Systems

• اصول سیستم های یادگیری ماشینی Principles for Machine Learning Systems

• رویکردهای معماری سیستم یادگیری ماشین Machine Learning System Architecture Approaches

• تجزیه اجزای سیستم یادگیری ماشین Machine Learning System Component Breakdown

• منابع خواندنی اضافی Additional Reading Resources

معماری سیستم یادگیری ماشین Machine Learning System Architecture

• معماری سیستم یادگیری ماشین و چرایی اهمیت آن Machine Learning System Architecture and Why it Matters

• چالش های خاص سیستم های یادگیری ماشینی Specific Challenges of Machine Learning Systems

• اصول سیستم های یادگیری ماشینی Principles for Machine Learning Systems

• رویکردهای معماری سیستم یادگیری ماشین Machine Learning System Architecture Approaches

• تجزیه اجزای سیستم یادگیری ماشین Machine Learning System Component Breakdown

• منابع خواندنی اضافی Additional Reading Resources

محیط تحقیق - توسعه یک مدل یادگیری ماشینی Research Environment - Developing a Machine Learning Model

• محیط تحقیق - مروری بر فرآیند Research Environment - Process Overview

• بررسی اجمالی خط لوله یادگیری ماشین Machine Learning Pipeline Overview

• مهندسی ویژگی - ویژگی های متغیر Feature Engineering - Variable Characteristics

• تکنیک های مهندسی ویژگی Feature Engineering Techniques

• انتخاب ویژگی Feature Selection

• آموزش یک مدل یادگیری ماشینی Training a Machine Learning Model

• محیط تحقیق - بخش دوم Research environment - second part

• کدی که در این بخش پوشش داده شده است Code covered in this section

• نسخه های کتابخانه پایتون Python library versions

• آزمایشی تجزیه و تحلیل داده ها - داده های از دست رفته Data analysis demo - missing data

• تجزیه و تحلیل داده های آزمایشی - متغیرهای زمانی Data analysis demo - temporal variables

• تجزیه و تحلیل داده ها با متغیرهای عددی Data analysis demo - numerical variables

• تجزیه و تحلیل داده ها متغیرهای نمایشی - طبقه ای Data analysis demo - categorical variables

• نسخه ی نمایشی مهندسی ویژگی 1 Feature engineering demo 1

• نسخه ی نمایشی مهندسی ویژگی 2 Feature engineering demo 2

• نسخه ی نمایشی انتخاب ویژگی Feature selection demo

• دمو آموزش مدل Model training demo

• یک خط لوله یادگیری ماشین ایجاد کنید Create a Machine Learning Pipeline

• داده های جدید را با مدل قیمت مسکن به دست آورید Score new data with the house price model

• امتیازدهی داده های جدید با مدل ما Scoring new data with our model

• محیط تحقیق - بخش سوم Research environment - third part

• منبع باز پایتون برای یادگیری ماشین Python Open Source for Machine Learning

• کتابخانه های منبع باز برای مهندسی ویژگی Open Source Libraries for Feature Engineering

• مهندسی ویژگی با نسخه ی نمایشی منبع باز Feature engineering with open source demo

• محیط تحقیق - قسمت چهارم Research environment - fourth part

• مقدمه ای بر برنامه نویسی شی گرا Intro to Object Oriented Programing

• وراثت و Scikit-learn API Inheritance and the Scikit-learn API

• ترانسفورماتورهای سازگار با Scikit-Learn ایجاد کنید Create Scikit-Learn compatible transformers

• ترانسفورماتورهایی ایجاد کنید که پارامترها را یاد بگیرند Create transformers that learn parameters

• ویژگی نسخه ی نمایشی خط لوله مهندسی Feature engineering pipeline demo

• آیا انتخاب ویژگی باید بخشی از خط لوله باشد؟ Should feature selection be part of the pipeline?

• محیط تحقیق - بخش پایانی Research environment - final section

• آماده شدن برای استقرار - خط لوله نهایی Getting Ready for Deployment - Final Pipeline

• خط لوله انتها به انتها را برای طبقه بندی ایجاد کنید Create and end to end Pipeline for Classification

• پاداش: منابع اضافی در Scikit-Learn Bonus: Additional Resources on Scikit-Learn

محیط تحقیق - توسعه یک مدل یادگیری ماشینی Research Environment - Developing a Machine Learning Model

• محیط تحقیق - مروری بر فرآیند Research Environment - Process Overview

• بررسی اجمالی خط لوله یادگیری ماشین Machine Learning Pipeline Overview

• مهندسی ویژگی - ویژگی های متغیر Feature Engineering - Variable Characteristics

• تکنیک های مهندسی ویژگی Feature Engineering Techniques

• انتخاب ویژگی Feature Selection

• آموزش یک مدل یادگیری ماشینی Training a Machine Learning Model

• محیط تحقیق - بخش دوم Research environment - second part

• کدی که در این بخش پوشش داده شده است Code covered in this section

• نسخه های کتابخانه پایتون Python library versions

• آزمایشی تجزیه و تحلیل داده ها - داده های از دست رفته Data analysis demo - missing data

• تجزیه و تحلیل داده های آزمایشی - متغیرهای زمانی Data analysis demo - temporal variables

• تجزیه و تحلیل داده ها با متغیرهای عددی Data analysis demo - numerical variables

• تجزیه و تحلیل داده ها متغیرهای نمایشی - طبقه ای Data analysis demo - categorical variables

• نسخه ی نمایشی مهندسی ویژگی 1 Feature engineering demo 1

• نسخه ی نمایشی مهندسی ویژگی 2 Feature engineering demo 2

• نسخه ی نمایشی انتخاب ویژگی Feature selection demo

• دمو آموزش مدل Model training demo

• یک خط لوله یادگیری ماشین ایجاد کنید Create a Machine Learning Pipeline

• داده های جدید را با مدل قیمت مسکن به دست آورید Score new data with the house price model

• امتیازدهی داده های جدید با مدل ما Scoring new data with our model

• محیط تحقیق - بخش سوم Research environment - third part

• منبع باز پایتون برای یادگیری ماشین Python Open Source for Machine Learning

• کتابخانه های منبع باز برای مهندسی ویژگی Open Source Libraries for Feature Engineering

• مهندسی ویژگی با نسخه ی نمایشی منبع باز Feature engineering with open source demo

• محیط تحقیق - قسمت چهارم Research environment - fourth part

• مقدمه ای بر برنامه نویسی شی گرا Intro to Object Oriented Programing

• وراثت و Scikit-learn API Inheritance and the Scikit-learn API

• ترانسفورماتورهای سازگار با Scikit-Learn ایجاد کنید Create Scikit-Learn compatible transformers

• ترانسفورماتورهایی ایجاد کنید که پارامترها را یاد بگیرند Create transformers that learn parameters

• ویژگی نسخه ی نمایشی خط لوله مهندسی Feature engineering pipeline demo

• آیا انتخاب ویژگی باید بخشی از خط لوله باشد؟ Should feature selection be part of the pipeline?

• محیط تحقیق - بخش پایانی Research environment - final section

• آماده شدن برای استقرار - خط لوله نهایی Getting Ready for Deployment - Final Pipeline

• خط لوله انتها به انتها را برای طبقه بندی ایجاد کنید Create and end to end Pipeline for Classification

• پاداش: منابع اضافی در Scikit-Learn Bonus: Additional Resources on Scikit-Learn

بسته بندی مدلی برای تولید Packaging The Model for Production

• مقدمه ای بر کد تولید Introduction to Production Code

• مخزن این بخش Repo for this section

• نمای کلی کد Code Overview

• درک استدلال پشت ساختار کد محصول Understanding the Reasoning Behind the Prod Code Structure

• یادآوری: داده های Kaggle را دانلود کنید Reminder: Download the Kaggle Data

• فایل های مورد نیاز بسته Package Requirements Files

• کار با سم [از آن نگذرید - مهم است] Working with tox [Do NOT skip - important]

• مهاجرت از Tox 3 به Tox 4 Migrating from Tox 3 to Tox 4

• عیب یابی Tox Troubleshooting Tox

• پیکربندی بسته Package Config

• اسکریپت و خط لوله آموزشی مدل The Model Training Script & Pipeline

• مقدمه ای بر Pytest [اختیاری] Introduction to Pytest [Optional]

• کد مهندسی ویژگی در بسته Feature Engineering Code in the Package

• پیش بینی با بسته Making Predictions with the Package

• ساخت پکیج Building the Package

• ابزار سازی Tooling

• در حال انجام وظیفه: مدل طبقه بندی تایتانیک را برای تولید آماده کنید Hands On Assignment: Get The Titanic Classification Model Ready for Prod

• بخش یادداشت ها و مطالعه بیشتر Section Notes & Further Reading

بسته بندی مدلی برای تولید Packaging The Model for Production

• مقدمه ای بر کد تولید Introduction to Production Code

• مخزن این بخش Repo for this section

• نمای کلی کد Code Overview

• درک استدلال پشت ساختار کد محصول Understanding the Reasoning Behind the Prod Code Structure

• یادآوری: داده های Kaggle را دانلود کنید Reminder: Download the Kaggle Data

• فایل های مورد نیاز بسته Package Requirements Files

• کار با سم [از آن نگذرید - مهم است] Working with tox [Do NOT skip - important]

• مهاجرت از Tox 3 به Tox 4 Migrating from Tox 3 to Tox 4

• عیب یابی Tox Troubleshooting Tox

• پیکربندی بسته Package Config

• اسکریپت و خط لوله آموزشی مدل The Model Training Script & Pipeline

• مقدمه ای بر Pytest [اختیاری] Introduction to Pytest [Optional]

• کد مهندسی ویژگی در بسته Feature Engineering Code in the Package

• پیش بینی با بسته Making Predictions with the Package

• ساخت پکیج Building the Package

• ابزار سازی Tooling

• در حال انجام وظیفه: مدل طبقه بندی تایتانیک را برای تولید آماده کنید Hands On Assignment: Get The Titanic Classification Model Ready for Prod

• بخش یادداشت ها و مطالعه بیشتر Section Notes & Further Reading

سرویس و استقرار مدل از طریق REST API Serving and Deploying the model via REST API

• اجرای API به صورت محلی Running the API Locally

• آشنایی با معماری API Understanding the Architecture of the API

• مقدمه ای بر FastAPI Introduction to FastAPI

• نقاط پایانی API The API Endpoints

• استفاده از طرحواره ها در API ما Using Schemas in our API

• ورود به برنامه ما Logging in our Application

• وب سرور Uvicorn The Uvicorn Web Server

• معرفی اپلیکیشن و پلتفرم راه آهن به عنوان یک سرویس Introducing Railway App and Platform as a Service

• پلتفرم به عنوان سرویس (PaaS) چیست؟ What Is a Platform as a Service (PaaS)?

• چرا از راه آهن به عنوان PaaS خود استفاده کنیم؟ Why Use Railway as Our PaaS?

• پیوندهای راه آهن Railway Links

• استقرار برنامه ML ما در راه آهن - Hands On Deploying our ML Application to Railway - Hands On

• محدودیت‌هایی که باید از آن آگاه باشید و به پایان برسانید Limitations to Be Aware Of & Wrap Up

• بخش یادداشت ها و مطالعه بیشتر Section Notes & Further Reading

سرویس و استقرار مدل از طریق REST API Serving and Deploying the model via REST API

• اجرای API به صورت محلی Running the API Locally

• آشنایی با معماری API Understanding the Architecture of the API

• مقدمه ای بر FastAPI Introduction to FastAPI

• نقاط پایانی API The API Endpoints

• استفاده از طرحواره ها در API ما Using Schemas in our API

• ورود به برنامه ما Logging in our Application

• وب سرور Uvicorn The Uvicorn Web Server

• معرفی اپلیکیشن و پلتفرم راه آهن به عنوان یک سرویس Introducing Railway App and Platform as a Service

• پلتفرم به عنوان سرویس (PaaS) چیست؟ What Is a Platform as a Service (PaaS)?

• چرا از راه آهن به عنوان PaaS خود استفاده کنیم؟ Why Use Railway as Our PaaS?

• پیوندهای راه آهن Railway Links

• استقرار برنامه ML ما در راه آهن - Hands On Deploying our ML Application to Railway - Hands On

• محدودیت‌هایی که باید از آن آگاه باشید و به پایان برسانید Limitations to Be Aware Of & Wrap Up

• بخش یادداشت ها و مطالعه بیشتر Section Notes & Further Reading

خطوط لوله یکپارچه سازی و استقرار مداوم Continuous Integration and Deployment Pipelines

• مقدمه ای بر CI/CD Introduction to CI/CD

• راه اندازی CircleCI Setting up CircleCI

• بررسی اجمالی اتوماسیون CI/CD قسمت 1 CI/CD Automation Overview Part 1

• توضیح تنظیمات CI/CD CI/CD Config Explanation

• بررسی اجمالی اتوماسیون CI/CD قسمت 2 CI/CD Automation Overview Part 2

• استفاده از یک سرور شاخص خصوصی (Gemfury) Using a Private Index Server (Gemfury)

• دست در دست: تست های CI را در Github Fork خود اجرا کنید Hands on: Run the CI Tests in your own Github Fork

• دست در دست: CI Deploy را روی Github Fork خودتان اجرا کنید Hands on: Run the CI Deploy on Your Own Github Fork

• دست در دست: CI Publish را روی Github Fork خودتان اجرا کنید Hands on: Run the CI Publish on Your Own Github Fork

• بخش یادداشت ها و مطالعه بیشتر Section Notes & Further Reading

خطوط لوله یکپارچه سازی و استقرار مداوم Continuous Integration and Deployment Pipelines

• مقدمه ای بر CI/CD Introduction to CI/CD

• راه اندازی CircleCI Setting up CircleCI

• بررسی اجمالی اتوماسیون CI/CD قسمت 1 CI/CD Automation Overview Part 1

• توضیح تنظیمات CI/CD CI/CD Config Explanation

• بررسی اجمالی اتوماسیون CI/CD قسمت 2 CI/CD Automation Overview Part 2

• استفاده از یک سرور شاخص خصوصی (Gemfury) Using a Private Index Server (Gemfury)

• دست در دست: تست های CI را در Github Fork خود اجرا کنید Hands on: Run the CI Tests in your own Github Fork

• دست در دست: CI Deploy را روی Github Fork خودتان اجرا کنید Hands on: Run the CI Deploy on Your Own Github Fork

• دست در دست: CI Publish را روی Github Fork خودتان اجرا کنید Hands on: Run the CI Publish on Your Own Github Fork

• بخش یادداشت ها و مطالعه بیشتر Section Notes & Further Reading

استقرار API ML با کانتینرها Deploying The ML API With Containers

• Docker Refresher [اختیاری - برای کسانی که با Docker آشنایی ندارند/زنگ زده اند] Docker Refresher [Optional - For those unfamiliar/rusty with Docker]

• ارزش داکر و کانتینرها The Value of Docker and Containers

• آشنایی با فرآیند استقرار کانتینر Understanding The Container Deployment Process

• Docker Install Setup Docker Install Setup

• Hands On: Containering App به صورت محلی Hands On: Containerising the App Locally

• به روز رسانی خط لوله CI برای استقرار کانتینر Updating the CI Pipeline for a Container Deployment

• بخش یادداشت ها و مطالعه بیشتر Section Notes & Further Reading

استقرار API ML با کانتینرها Deploying The ML API With Containers

• Docker Refresher [اختیاری - برای کسانی که با Docker آشنایی ندارند/زنگ زده اند] Docker Refresher [Optional - For those unfamiliar/rusty with Docker]

• ارزش داکر و کانتینرها The Value of Docker and Containers

• آشنایی با فرآیند استقرار کانتینر Understanding The Container Deployment Process

• Docker Install Setup Docker Install Setup

• Hands On: Containering App به صورت محلی Hands On: Containerising the App Locally

• به روز رسانی خط لوله CI برای استقرار کانتینر Updating the CI Pipeline for a Container Deployment

• بخش یادداشت ها و مطالعه بیشتر Section Notes & Further Reading

تست دیفرانسیل Differential Testing

• توجه!!! - این بخش همچنان با نسخه قدیمی کد کار می کند Attention !!! - This section still works with old version of code

• نحوه استفاده از منابع دوره How to Use the Course Resources

• 9.1 - مقدمه 9.1 - Introduction

• 9.2 - راه اندازی تست های دیفرانسیل 9.2 - Setting up Differential Tests

• 9.3 - تست های دیفرانسیل در CI (قسمت 1 از 2) 9.3 - Differential Tests in CI (Part 1 of 2)

• 9.4 - تست های دیفرانسیل در CI (قسمت 2 از 2) 9.4 - Differential Tests in CI (Part 2 of 2)

• 9.5 جمع کردن 9.5 Wrap Up

تست دیفرانسیل Differential Testing

• توجه!!! - این بخش همچنان با نسخه قدیمی کد کار می کند Attention !!! - This section still works with old version of code

• نحوه استفاده از منابع دوره How to Use the Course Resources

• 9.1 - مقدمه 9.1 - Introduction

• 9.2 - راه اندازی تست های دیفرانسیل 9.2 - Setting up Differential Tests

• 9.3 - تست های دیفرانسیل در CI (قسمت 1 از 2) 9.3 - Differential Tests in CI (Part 1 of 2)

• 9.4 - تست های دیفرانسیل در CI (قسمت 2 از 2) 9.4 - Differential Tests in CI (Part 2 of 2)

• 9.5 جمع کردن 9.5 Wrap Up

استقرار در IaaS (AWS ECS) Deploying to IaaS (AWS ECS)

• توجه!!! در حال حاضر در حال به روز رسانی این بخش هستیم Attention!!! We are currently updating this section

• 12.1 - مقدمه ای بر AWS 12.1 - Introduction to AWS

• 12.2 - هزینه های AWS و احتیاط 12.2 - AWS Costs and Caution

• 12.3a - معرفی AWS ECS 12.3a - Intro to AWS ECS

• 12.3b - گزینه های ارکستراسیون کانتینر: Kubernetes، ECS، Docker Swarm 12.3b - Container Orchestration Options: Kubernetes, ECS, Docker Swarm

• 12.4 - یک حساب AWS ایجاد کنید 12.4 - Create an AWS Account

• 12.5 - تنظیم مجوزها با IAM 12.5 - Setting Permissions with IAM

• 12.6 - نصب AWS CLI 12.6 - Installing the AWS CLI

• 12.7 - پیکربندی AWS CLI 12.7 - Configuring the AWS CLI

• 12.8 - معرفی رجیستری ظروف الاستیک (ECR) 12.8 - Intro the Elastic Container Registry (ECR)

• 12.9 - آپلود تصاویر در رجیستری کانتینر الاستیک (ECR) 12.9 - Uploading Images to the Elastic Container Registry (ECR)

• 12.10 - ایجاد خوشه ECS با روش پرتاب Fargate 12.10 - Creating the ECS Cluster with Fargate Launch Method

• 12.11 - به روز رسانی ظروف خوشه 12.11 - Updating the Cluster Containers

• 12.12 - از بین بردن ECS Cluster 12.12 - Tearing down the ECS Cluster

• 12.13 - استقرار به ECS از طریق خط لوله CI 12.13 - Deploying to ECS via the CI pipeline

• 12.14 - جمع کردن 12.14 - Wrap Up

استقرار در IaaS (AWS ECS) Deploying to IaaS (AWS ECS)

• توجه!!! در حال حاضر در حال به روز رسانی این بخش هستیم Attention!!! We are currently updating this section

• 12.1 - مقدمه ای بر AWS 12.1 - Introduction to AWS

• 12.2 - هزینه های AWS و احتیاط 12.2 - AWS Costs and Caution

• 12.3a - معرفی AWS ECS 12.3a - Intro to AWS ECS

• 12.3b - گزینه های ارکستراسیون کانتینر: Kubernetes، ECS، Docker Swarm 12.3b - Container Orchestration Options: Kubernetes, ECS, Docker Swarm

• 12.4 - یک حساب AWS ایجاد کنید 12.4 - Create an AWS Account

• 12.5 - تنظیم مجوزها با IAM 12.5 - Setting Permissions with IAM

• 12.6 - نصب AWS CLI 12.6 - Installing the AWS CLI

• 12.7 - پیکربندی AWS CLI 12.7 - Configuring the AWS CLI

• 12.8 - معرفی رجیستری ظروف الاستیک (ECR) 12.8 - Intro the Elastic Container Registry (ECR)

• 12.9 - آپلود تصاویر در رجیستری کانتینر الاستیک (ECR) 12.9 - Uploading Images to the Elastic Container Registry (ECR)

• 12.10 - ایجاد خوشه ECS با روش پرتاب Fargate 12.10 - Creating the ECS Cluster with Fargate Launch Method

• 12.11 - به روز رسانی ظروف خوشه 12.11 - Updating the Cluster Containers

• 12.12 - از بین بردن ECS Cluster 12.12 - Tearing down the ECS Cluster

• 12.13 - استقرار به ECS از طریق خط لوله CI 12.13 - Deploying to ECS via the CI pipeline

• 12.14 - جمع کردن 12.14 - Wrap Up

یک مدل یادگیری عمیق با داده های بزرگ A Deep Learning Model with Big Data

• چالش های استفاده از داده های بزرگ در یادگیری ماشینی Challenges of using Big Data in Machine Learning

• نصب Keras Installing Keras

• مجموعه داده را دانلود کنید Download the data set

• مقدمه ای بر مجموعه داده های بزرگ - تصاویر نهال های گیاهی Introduction to a Large Dataset - Plant Seedlings Images

• ساخت CNN در محیط تحقیقاتی Building a CNN in the Research Environment

• کد تولید برای خط لوله یادگیری CNN Production Code for a CNN Learning Pipeline

• تکرارپذیری در شبکه های عصبی Reproducibility in Neural Networks

• تنظیم دانه برای Keras Setting the Seed for Keras

• Seed for Neural Networks - منابع خواندنی اضافی Seed for Neural Networks - Additional reading resources

• 13.8 - بسته بندی CNN 13.8 - Packaging the CNN

• 13.9 - افزودن CNN به API 13.9 - Adding the CNN to the API

• 13.10 - ملاحظات اضافی و جمع بندی 13.10 - Additional Considerations and Wrap Up

یک مدل یادگیری عمیق با داده های بزرگ A Deep Learning Model with Big Data

• چالش های استفاده از داده های بزرگ در یادگیری ماشینی Challenges of using Big Data in Machine Learning

• نصب Keras Installing Keras

• مجموعه داده را دانلود کنید Download the data set

• مقدمه ای بر مجموعه داده های بزرگ - تصاویر نهال های گیاهی Introduction to a Large Dataset - Plant Seedlings Images

• ساخت CNN در محیط تحقیقاتی Building a CNN in the Research Environment

• کد تولید برای خط لوله یادگیری CNN Production Code for a CNN Learning Pipeline

• تکرارپذیری در شبکه های عصبی Reproducibility in Neural Networks

• تنظیم دانه برای Keras Setting the Seed for Keras

• Seed for Neural Networks - منابع خواندنی اضافی Seed for Neural Networks - Additional reading resources

• 13.8 - بسته بندی CNN 13.8 - Packaging the CNN

• 13.9 - افزودن CNN به API 13.9 - Adding the CNN to the API

• 13.10 - ملاحظات اضافی و جمع بندی 13.10 - Additional Considerations and Wrap Up

مشکلات رایج در حین استقرار یافت می شود Common Issues found during deployment

• عیب یابی Troubleshooting

مشکلات رایج در حین استقرار یافت می شود Common Issues found during deployment

• عیب یابی Troubleshooting

پیوست: بخش قبلی: ارائه مدل از طریق REST API Appendix: Former Section: Serving the model via REST API

• ضمیمه - لطفا بخوانید Appendix - PLEASE READ

• 7.1 - مقدمه 7.1 - Introduction

• پرایمر در Monorepos Primer on Monorepos

• 7.2 - ایجاد اسکلت API 7.2 - Creating the API Skeleton

• 7.2b - Note On Flask 7.2b - Note On Flask

• 7.3 - اضافه کردن پیکربندی و ورود به سیستم 7.3 - Adding Config and Logging

• 7.4 - افزودن نقطه پایانی پیش بینی 7.4 - Adding the Prediction Endpoint

• 7.5 - افزودن نقطه پایانی نسخه 7.5 - Adding a Version Endpoint

• 7.6 - اعتبار سنجی طرحواره API 7.6 - API Schema Validation

• 7.7 - جمع کردن 7.7 - Wrap Up

پیوست: بخش قبلی: ارائه مدل از طریق REST API Appendix: Former Section: Serving the model via REST API

• ضمیمه - لطفا بخوانید Appendix - PLEASE READ

• 7.1 - مقدمه 7.1 - Introduction

• پرایمر در Monorepos Primer on Monorepos

• 7.2 - ایجاد اسکلت API 7.2 - Creating the API Skeleton

• 7.2b - Note On Flask 7.2b - Note On Flask

• 7.3 - اضافه کردن پیکربندی و ورود به سیستم 7.3 - Adding Config and Logging

• 7.4 - افزودن نقطه پایانی پیش بینی 7.4 - Adding the Prediction Endpoint

• 7.5 - افزودن نقطه پایانی نسخه 7.5 - Adding a Version Endpoint

• 7.6 - اعتبار سنجی طرحواره API 7.6 - API Schema Validation

• 7.7 - جمع کردن 7.7 - Wrap Up

بخش پایانی Final Section

• تبریک می گویم Congratulations

• سخنرانی پاداش Bonus lecture

بخش پایانی Final Section

• تبریک می گویم Congratulations

• سخنرانی پاداش Bonus lecture