لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
نمایش نظرات