لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش استقرار مدل های یادگیری ماشین در تولید | پایتون
Deployment of Machine Learning Models in Production | Python
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
استقرار مدل ML با مدلهای BERT، DistilBERT، FastText NLP در تولید با Flask، uWSGI، و NGINX در AWS EC2 شما یاد خواهید گرفت که چگونه مدلهای یادگیری ماشین را در AWS EC2 با استفاده از NGINX بهعنوان وب سرور، FLASK بهعنوان چارچوب وب و uwsgi استقرار دهید. به عنوان پلی بین این دو شما یاد خواهید گرفت که چگونه از fasttext برای کارهای پردازش زبان طبیعی در تولید استفاده کنید، و آن را با TensorFlow برای یادگیری ماشینی پیشرفته تر ادغام کنید. نحوه استفاده از ktrain، کتابخانه ای که در بالای TensorFlow ساخته شده است، برای آموزش و استقرار آسان مدل ها در یک تولید را یاد خواهید گرفت. محیط. شما تجربه عملی در راه اندازی و پیکربندی خط لوله تولید یادگیری ماشینی سرتاسر با استفاده از فناوری های ذکر شده به دست خواهید آورد. نحوه بهینه سازی و تنظیم دقیق مدل های یادگیری ماشین برای استفاده در تولید و نحوه رسیدگی به مسائل مقیاس بندی و عملکرد را خواهید آموخت. برنامه کامل NLP End to End نحوه کار با BERT در Google Colab نحوه استفاده از BERT برای طبقه بندی متن Deploy Production Ready ML Model Fine Tune and Deploy ML Model with Flask Deploy ML Model in Production at AWS Deploy ML Model at Ubuntu and Windows Server DistilBERT در مقابل BERT شما یاد خواهید گرفت که چگونه مدل FastText را در AWS Learn Multi-Label و Multi-Class طبقه بندی در NLP توسعه و استقرار دهید.
به «استقرار مدل ML با مدلهای BERT، DistilBERT، FastText NLP در تولید با Flask، uWSGI، و NGINX در AWS EC2» خوش آمدید! در این دوره آموزشی، نحوه استقرار مدلهای پردازش زبان طبیعی (NLP) را با استفاده از تکنیکهای پیشرفته مانند BERT و DistilBERT و همچنین FastText در یک محیط تولید یاد خواهید گرفت.
شما یاد خواهید گرفت که چگونه از Flask، uWSGI، و NGINX برای ایجاد یک برنامه وب که به مدل های یادگیری ماشین شما خدمت می کند، استفاده کنید. همچنین یاد خواهید گرفت که چگونه برنامه خود را بر روی پلت فرم AWS EC2 استقرار دهید و به شما این امکان را می دهد که به راحتی برنامه خود را در صورت نیاز مقیاس بندی کنید.
در طول دوره، تجربه عملی در راه اندازی و پیکربندی خط لوله تولید یادگیری ماشینی سرتاسر به دست خواهید آورد. شما یاد خواهید گرفت که چگونه مدل های NLP خود را برای استفاده در تولید بهینه سازی و تنظیم دقیق کنید، و چگونه با مسائل مقیاس بندی و عملکرد مدیریت کنید.
در پایان این دوره، شما مهارتها و دانش لازم برای استقرار مدلهای NLP خود را در محیط تولید با استفاده از آخرین تکنیکها و فناوریها خواهید داشت. چه دانشمند داده، مهندس یادگیری ماشین یا توسعهدهنده باشید، این دوره ابزارها و مهارتهایی را در اختیار شما قرار میدهد که برای ارتقای پروژههای یادگیری ماشینی خود به سطح بعدی نیاز دارید.
بنابراین، دیگر منتظر نمانید و همین امروز ثبت نام کنید تا نحوه استقرار مدل ML با مدل های BERT، DistilBERT و FastText NLP در تولید با Flask، uWSGI، و NGINX در AWS EC2 را بیاموزید!
این دوره برای افراد زیر مناسب است
دانشمندان داده که میخواهند یاد بگیرند که چگونه مدلهای یادگیری ماشینی خود را در یک محیط تولیدی استقرار دهند.
مهندسین یادگیری ماشین که میخواهند تجربه عملی در راهاندازی و پیکربندی خط لوله تولید یادگیری ماشینی سرتاسر به دست آورند.
توسعه دهندگانی که علاقه مند به استفاده از فناوری هایی مانند NGINX، FLASK، uwsgi، fasttext، TensorFlow و ktrain برای استقرار مدل های یادگیری ماشین در تولید هستند.
افرادی که میخواهند نحوه بهینهسازی و تنظیم دقیق مدلهای یادگیری ماشین را برای استفاده در تولید بیاموزند.
حرفهایانی که میخواهند یاد بگیرند که چگونه در هنگام استقرار مدلهای یادگیری ماشینی در تولید، با مشکلات مقیاسبندی و عملکرد مدیریت کنند.
هر کسی که میخواهد در یادگیری ماشین شغلی ایجاد کند و میخواهد در مورد استقرار تولید بیاموزد.
هر کسی که میخواهد در مورد خط لوله سرتاسر مدلهای یادگیری ماشین از آموزش تا استقرار بیاموزد.
هر کسی که میخواهد در مورد بهترین شیوهها و تکنیکها برای استقرار مدلهای یادگیری ماشین در محیط تولید بیاموزد.
آنچه در این دوره خواهید آموخت
من یاد خواهم گرفت که چگونه مدل های یادگیری ماشین را با استفاده از NGINX به عنوان وب سرور، FLASK به عنوان چارچوب وب و uwsgi به عنوان پلی بین این دو به کار ببرم.
من یاد خواهم گرفت که چگونه از fasttext برای کارهای پردازش زبان طبیعی در تولید استفاده کنم و آن را با TensorFlow برای مدلهای پیشرفتهتر یادگیری ماشین ادغام کنم.
من یاد خواهم گرفت که چگونه از ktrain، کتابخانه ای که در بالای TensorFlow ساخته شده است، برای آموزش و استقرار آسان مدل ها در یک محیط تولید استفاده کنم.
من تجربه عملی در راه اندازی و پیکربندی خط لوله تولید یادگیری ماشینی پایان به انتها با استفاده از فناوری های ذکر شده به دست خواهم آورد.
من نحوه بهینهسازی و تنظیم دقیق مدلهای یادگیری ماشین را برای استفاده در تولید، و نحوه رسیدگی به مسائل مقیاسبندی و عملکرد را یاد خواهم گرفت.
همه این کارها در Google Colab انجام خواهد شد، به این معنی که مهم نیست چه پردازنده و رایانه ای دارید. استفاده از آن بسیار آسان است و نکته مثبت این است که شما دارای GPU رایگان برای استفاده در نوت بوک خود هستید.
سرفصل ها و درس ها
برت | پیش بینی احساسات | مشکل پیشبینی چند کلاسه
BERT | Sentiment Prediction | Multi Class Prediction Problem
از آن نگذرید | دانلود فایل های کاری!!!
DO NOT SKIP IT | Download Working Files!!!
BERT چیست؟
What is BERT
بسته ktrain Going Deep Inside
Going Deep Inside ktrain Package
راه اندازی نوت بوک
Notebook Setup
این را باید بخوانید!!!
Must Read This!!!
نصب ktrain
Installing ktrain
در حال بارگیری مجموعه داده
Loading Dataset
Train-Test Split و Preprocess با BERT
Train-Test Split and Preprocess with BERT
برت | پیش بینی احساسات | مشکل پیشبینی چند کلاسه
BERT | Sentiment Prediction | Multi Class Prediction Problem
خوش آمدی
Welcome
خوش آمدی
Welcome
معرفی
Introduction
معرفی
Introduction
از آن نگذرید | دانلود فایل های کاری!!!
DO NOT SKIP IT | Download Working Files!!!
BERT چیست؟
What is BERT
ktrain چیست
What is ktrain
ktrain چیست
What is ktrain
بسته ktrain Going Deep Inside
Going Deep Inside ktrain Package
راه اندازی نوت بوک
Notebook Setup
این را باید بخوانید!!!
Must Read This!!!
نصب ktrain
Installing ktrain
در حال بارگیری مجموعه داده
Loading Dataset
Train-Test Split و Preprocess با BERT
Train-Test Split and Preprocess with BERT
آموزش مدل BERT
BERT Model Training
آموزش مدل BERT
BERT Model Training
تست مدل BERT تنظیم شده دقیق
Testing Fine Tuned BERT Model
تست مدل BERT تنظیم شده دقیق
Testing Fine Tuned BERT Model
ذخیره و بارگیری مدل دقیق تنظیم شده
Saving and Loading Fine Tuned Model
ذخیره و بارگیری مدل دقیق تنظیم شده
Saving and Loading Fine Tuned Model
تنظیم دقیق BERT برای دستهبندی توییتهای فاجعه
Fine Tuning BERT for Disaster Tweets Classification
پوشه منابع
Resources Folder
مجموعه داده را دانلود کنید
Download Dataset
تعداد کلمات، میانگین طول کلمات و توقف توزیع کلمات در توییت ها
Number of Words, Average Words Length, and Stop words Distribution in Tweets
پاکسازی اطلاعات تک شات
One-Shot Data Cleaning
تجسم کلمات فاجعه با Word Cloud
Disaster Words Visualization with Word Cloud
طبقه بندی با Word2Vec و SVM
Classification with Word2Vec and SVM
ارزیابی مدل BERT
BERT Model Evaluation
تنظیم دقیق BERT برای دستهبندی توییتهای فاجعه
Fine Tuning BERT for Disaster Tweets Classification
دانشمند اصلی داده در mBreath و KGPTalkie من یک دانشمند اصلی داده در SleepDoc و دکترای تخصصی هستم. در علوم داده از موسسه فناوری هند (IIT). من همچنین یک شرکت با نام mBreath Technologies را تاسیس کردم. من بیش از 8 سال تجربه در علوم داده ، مدیریت تیم ، توسعه کسب و کار و مشخصات مشتری دارم. من با استارتاپ ها و MNC کار کرده ام. من همچنین چند سال در IIT برنامه نویسی تدریس کرده ام و بعداً یک کانال YouTube با KGP Talkie با مشترکان 20K + راه اندازی کردم. من ارتباط خوبی با صنعت و دانشگاه دارم.
نمایش نظرات