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