لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش خودکارسازی و ارزیابی تستهای خط لوله یادگیری ماشین
- آخرین آپدیت
دانلود Automate and Evaluate ML Pipeline Tests
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
سیستمهای یادگیری ماشین در طول زمان تغییر میکنند و این موضوع، تست ساختاریافته را ضروری میسازد. در این دوره کوتاه، شما خواهید آموخت که چگونه خط لولههای یادگیری ماشین (ML Pipelines) را با استفاده از تستهای واحد (Unit)، یکپارچهسازی (Integration) و دود (Smoke) ارزیابی کنید و چگونه تغییرات دادهها (Data Drift) را در ویژگیهای حیاتی شناسایی نمایید. همچنین، مجموعههای تست رگرسیون خودکار ایجاد خواهید کرد که خروجیهای مدل جدید را با مجموعهدادههای طلایی (Golden Datasets) مقایسه میکنند؛ این کار به شما کمک میکند تا افت عملکرد را در مراحل اولیه شناسایی کرده و با اطمینان بیشتری مدل را مستقر کنید. از طریق ویدیوهای کوتاه، متون آموزشی، تمرینهای عملی و کوچینگ هدایتشده، موارد تست معنادار ML را تعریف کرده و مجموعههای pytest شبانه را پیکربندی خواهید کرد. در پایان، شما یک چارچوب تست کاربردی و قابل استفاده خواهید داشت که میتوانید مستقیماً در خط لولههای یادگیری ماشین در دنیای واقعی اعمال کنید.
سرفصل ها و درس ها
خودکارسازی و ارزیابی تستهای خط لوله یادگیری ماشین
Automate and Evaluate ML Pipeline Tests
خوشآمدگویی + چرا تستهای ML اهمیت دارند
Welcome + Why ML Tests Matter
چرا خط لولههای ML بدون تستهای ساختاریافته شکست میخورند
Why ML Pipelines Fail Without Structured Tests
طراحی موارد تست در سطح ویژگی برای شناسایی Drift
Designing Feature-Level Test Cases for Drift
مجموعه تست رگرسیون چه کاری انجام میدهد
What a Regression Suite Does
راهاندازی اجرای شبانه Pytest
Setting Up Nightly Pytest Runs
ادغام بررسیهای Drift در مجموعههای رگرسیون
Integrating Drift Checks Into Regression Suites
تبریک و شروع مسیر یادگیری مداوم
Congratulations and Continuous Learning Journey
نمایش نظرات