آموزش مبانی یادگیری ماشین با Databricks - آخرین آپدیت

دانلود Databricks Machine Learning Fundamentals

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در این دوره، شما اصول استفاده از Databricks برای یادگیری ماشین (Machine Learning) را خواهید آموخت. شما با چالش ابزارهای پراکنده مقابله کرده و بر پیاده‌سازی مدل‌های یادگیری ماشین در سطح صنعتی روی پلتفرم Databricks مسلط می‌شوید. این دوره شما را در تمام چرخه عمر ML از ابتدا تا انتها در یک پلتفرم واحد هدایت می‌کند و مهارت‌های عملی لازم برای ساخت راهکارهای قدرتمند و قابل استقرار را به شما می‌آموزد. شما ابتدا با ایجاد یک زیرساخت داده‌ای محکم، از Apache Spark برای ورود، پاک‌سازی و مهندسی ویژگی‌های (Feature Engineering) با کیفیت بالا استفاده خواهید کرد. سپس با بهره‌گیری از MLflow، مفاهیم MLOps را برای ردیابی سیستماتیک و مقایسه آزمایش‌ها فرا می‌گیرید تا تکرارپذیری و دقت را به گردش کار خود اضافه کرده و بهترین مدل را شناسایی کنید. در نهایت، با استقرار مدل‌ها در محیط عملیاتی، چرخه را کامل می‌کنید. شما از MLflow Model Registry برای نسخه‌بندی و حاکمیت مدل‌ها استفاده خواهید کرد و در نهایت مدل خود را به صورت یک API REST زنده و بلادرنگ (Real-time) مستقر می‌کنید. از طریق مجموعه‌ای از آزمایشگاه‌های عملی و یک پروژه نهایی جامع، اعتماد به نفس لازم برای ساخت، ردیابی و استقرار مدل‌های پیچیده ML را کسب خواهید کرد و در پایان، پروژه‌ای آماده برای رزومه خواهید داشت که شما را به متخصص داده‌ای کارآمدتر و ارزشمندتر تبدیل می‌کند. این دوره برای یادگیرندگان سطح متوسط طراحی شده است که با مفاهیم پایه یادگیری ماشین آشنا هستند و می‌خواهند نحوه به‌کارگیری آن‌ها را در Databricks برای پروژه‌های دنیای واقعی بیاموزند. پیش‌نیازهای این دوره شامل درک پایه از زبان پایتون (به ویژه کتابخانه‌های Pandas و Scikit-learn) و آشنایی با مفاهیم بنیادی یادگیری ماشین است. در پایان این دوره، کاربران قادر خواهند بود کامل‌ترین چرخه عمر ML را روی پلتفرم Databricks، از آماده‌سازی و تحلیل داده‌ها تا استقرار مدل، اجرا کنند. همچنین مهارت‌های ردیابی آزمایش‌ها و مدیریت مدل‌ها را با استفاده از Databricks و MLflow برای تضمین یک گردش کار بهینه و تکرارپذیر به دست خواهند آورد. علاوه بر این، یادگیرندگان قادر خواهند بود مدل‌های یادگیری ماشین را به‌طور موثر از طریق MLflow Model Registry و Databricks Model Serving مستقر نمایند.

سرفصل ها و درس ها

شروع کار با Databricks برای یادگیری ماشین Getting Started with Databricks for ML

  • خوش‌آمدگویی به دوره مبانی یادگیری ماشین Databricks Welcome to Databricks Machine Learning Fundamentals

  • آشنایی با محیط کاری Databricks ML Navigating the Databricks ML Workspace

  • ورود داده‌ها به Databricks Ingesting Data into Databricks

  • تحلیل اکتشافی داده‌ها (EDA) و مهندسی ویژگی با Spark EDA and Feature Engineering with Spark

ساخت و ردیابی مدل‌ها با MLflow Building and Tracking Models with MLflow

  • مفاهیم اصلی MLOps و MLflow Core Concepts of MLOps and MLflow

  • ثبت اولین آزمایش با MLflow Logging Your First Experiment with MLflow

  • مقایسه اجراها و بصری‌سازی نتایج Comparing Runs and Visualizing Results

استقرار و مدیریت مدل Model Deployment and Management

  • آشنایی با MLflow Model Registry Introduction to the MLflow Model Registry

  • ثبت مدل و مدیریت چرخه عمر آن Registering a Model and Managing Its Lifecycle

  • ارائه مدل به صورت بلادرنگ در Databricks Real-Time Model Serving on Databricks

  • جمع‌بندی دوره Course Wrap-Up

نمایش نظرات

آموزش مبانی یادگیری ماشین با Databricks
جزییات دوره
3h 53m
11
(آخرین آپدیت)
505
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده