آموزش عملیاتی‌سازی، آزمایش و MLOps در سیستم‌های توصیه‌گر - آخرین آپدیت

دانلود Productionization, Experimentation & MLOps

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: ساخت یک مدل توصیه‌گر تنها بخشی از چالش است. دقیق، سریع و قابل اعتماد نگه داشتن آن در محیط عملیاتی (Production) نیازمند مجموعه‌ای کاملاً متفاوت از مهارت‌ها است. این دوره به شما می‌آموزد که چگونه موتورهای توصیه‌گر با مقیاس بالا را با استفاده از زنجیره ابزارهای MLOps در Azure مستقر، مانیتور و نگهداری کنید. شما نقاط انتهایی پیش‌بینی با تأخیر کم (low-latency) را با استفاده از Azure Cache for Redis برای تغذیه ویژگی‌های بلادرنگ (Real-time feature hydration) پیکربندی خواهید کرد. همچنین معماری خط لوله‌های خودکار CI/CD و بازآموزی را با استفاده از Azure ML SDK v2 طراحی کرده و استراتژی‌های Canary و Blue-Green را برای جایگزینی بدون توقف (zero-downtime) پیاده‌سازی می‌کنید. علاوه بر این، مانیتورینگ آماری رانش داده‌ها (Drift Monitoring) را با استفاده از شاخص پایداری جمعیت (PSI) و فاصله واسرستین روی تنسورها ایجاد خواهید کرد تا تلمتری‌ها را با شاخص‌های سودمندی بلندمدت مانند ذخیره‌ها (Saves)، زمان توقف (Dwell Time) و اشتراک‌گذاری‌ها همسو کنید. این دوره برای مهندسان DevOps، متخصصان MLOps و معماران ابری طراحی شده است که به دنبال ایجاد چرخه عمر خودکار، مانیتورینگ و ارائه سرویس با تأخیر زیر ۱۰ میلی‌ثانیه برای حجم‌های کاری توزیع‌شده ML هستند. پیش‌نیاز این دوره تسلط بر Python، Azure ML و معیارهای اصلی یادگیری ماشین است.

سرفصل ها و درس ها

ورود داده‌های بلادرنگ: توپولوژی‌های کشینگ Real-Time Ingestion: Caching Topologies

  • مقیاس‌بندی تغذیه ویژگی‌ها Scaling Feature Hydration

ورود داده‌های بلادرنگ: مسیرهای نوشتاری تراکنشی Write-Behind Real-Time Ingestion: Transactional Write-Behind Paths

  • مسیرهای Write-Behind و مصرف جریان داده Write-Behind Paths and Stream Consumption

خط لوله‌های CI/CD: ارتقاهای خودکار CI/CD Pipelines: Automated Promotions

  • خطرات استقرار دستی The Dangers of Manual Deployment

استقرار بدون توقف: استراتژی‌های Canary و Blue-Green Zero-Downtime Deployment: Canary & Blue-Green

  • استراتژی‌های مسیریابی Blue-Green در مقابل Canary Blue-Green vs. Canary Routing Strategies

حسابرسی رانش داده‌ها: ارزیابی آماری Drift Auditing: Statistical Evaluation

  • شکست خاموش در رانش داده‌ها (Data Drift) The Silent Failure of Data Drift

هشدار ناهنجاری‌ها: حلقه‌های بازآموزی خودکار Anomaly Alerting: Automated Retraining Loops

  • زوال مفهوم و محرک‌های هشدار Concept Decay & Alert Triggers

تطبیق تلمتری و اثرات تأخیر (Latency) Telemetry Reconciliation & Latency Impacts

  • ارتباط بین تأخیر و سودمندی سیستم The Link Between Latency and Utility

بهینه‌سازی بار: محدودسازی و هرس‌های آبشاری Load Optimization: Throttling & Pruning Cascades

  • محدودسازی (Throttling) و هرس کاندیداها Throttling and Candidate Pruning

یکپارچه‌سازی جامع: فرموله‌بندی معماری End-to-End Integration: Formulating the Architecture

  • تصویر کلی: یکپارچه‌سازی خط لوله The Big Picture—Integrating the Pipeline

یکپارچه‌سازی جامع: ارزیابی موارد خاص و هزینه‌ها End-to-End Integration: Evaluating Edge Cases and Costs

  • ارزیابی حالت‌های شکست و بودجه تأخیر Evaluating Failure Modes and Latency Budgets

ماژول پروژه: معماری خط لوله تولیدی جامع (End-to-End) Project Module: End-to-End Production Pipeline Architecture

نمایش نظرات

آموزش عملیاتی‌سازی، آزمایش و MLOps در سیستم‌های توصیه‌گر
جزییات دوره
10h 51m
10
(آخرین آپدیت)
-
- از 5
دارد
دارد
دارد
Microsoft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar