آموزش اتوماسیون و ارکستراسیون خط لوله‌های یادگیری ماشین (GCP-PMLE) - آخرین آپدیت

سرفصل ها و درس ها

طراحی خط لوله‌های جامع یادگیری ماشین در گوگل کلاود Designing End-to-end ML Pipelines on Google Cloud

• طراحی خط لوله‌های جامع یادگیری ماشین در گوگل کلاود Designing End-to-end ML Pipelines on Google Cloud

• کالبدشناسی خط لوله ML: کامپوننت‌ها، پارامترها و تریگرها Anatomy of an ML Pipeline: Components, Parameters, and Triggers

• انتخاب فریم‌ورک ارکستراسیون در گوگل کلاود Choosing an Orchestration Framework on Google Cloud

• TFX، Kubeflow DSL و طراحی سیستم با Dataflow TFX, Kubeflow DSL, and System Design with Dataflow

اتوماسیون بازآموزی مدل و CI/CD Automating Model Retraining and CI/CD

• انتخاب سیاست بازآموزی (Retraining Policy) Choosing a Retraining Policy

• پیاده‌سازی CI/CD برای یادگیری ماشین با Cloud Build CI/CD for ML with Cloud Build

• فعال‌سازی آموزش مداوم (Continuous Training) Triggering Continuous Training

ردیابی و ممیزی متادیتای یادگیری ماشین Tracking and Auditing ML Metadata

• استفاده از Vertex ML Metadata Using Vertex ML Metadata

• ردیابی آزمایش‌ها با Vertex AI Experiments Tracking Experiments with Vertex AI Experiments

• نسخه‌بندی و تبار جامع داده‌ها و مدل‌ها (Lineage) Versioning and End-to-end Lineage

آمادگی برای آزمون Exam Preparation

• آمادگی آزمون: توسعه خط لوله‌های جامع یادگیری ماشین Exam Prep: Developing End-to-end ML Pipelines

• آمادگی آزمون: اتوماسیون بازآموزی و CI/CD Exam Prep: Automating Retraining and CI/CD

• آمادگی آزمون: متادیتا، تبار و نسخه‌بندی Exam Prep: Metadata, Lineage, and Versioning