آموزش پایپ‌لاین‌های یادگیری ماشین (ML Pipelines) در گوگل کلود - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introdução

• معرفی دوره Introdução ao curso

آشنایی با پایپ‌لاین‌های TFX Introdução aos Pipelines do TFX

• معرفی TensorFlow Extended (TFX) TensorFlow Extended (TFX)

• مفاهیم TFX Conceitos do TFX

• اجزای استاندارد داده در TFX Componentes padrão de dados do TFX

• اجزای استاندارد مدل در TFX Componentes padrão do modelo do TFX

• گره‌های پایپ‌لاین TFX Nós de pipeline do TFX

• کتابخانه‌های TFX Bibliotecas do TFX

ارکستراسیون پایپ‌لاین با TFX Orquestração do pipeline com o TFX

• ارکستراتورهای TFX Orquestradores do TFX

• معرفی Apache Beam Apache Beam

• استفاده از TFX در AI Platform گوگل کلود TFX no AI Platform do Cloud

اجزای سفارشی و CI/CD برای پایپ‌لاین‌های TFX Componentes personalizados e CI/CD para pipelines do TFX

• اجزای سفارشی TFX: توابع پایتون Componentes personalizados do TFX: funções do Python

• اجزای سفارشی TFX: کانتینرها و زیرکلاس‌ها Componentes personalizados do TFX: contêineres + subclassificações

• پیاده‌سازی CI/CD برای جریان‌های کاری TFX CI/CD para fluxos de trabalho de pipelines do TFX

مدیریت متادیتا با TFX Metadados com o TFX

• متادیتاهای پایپ‌لاین TFX Metadados de pipelines do TFX

• مدل داده‌های متادیتای ML در TFX Modelo de dados dos metadados de ML do TFX

آموزش مداوم با SDKهای مختلف، KubeFlow و AI Platform Pipelines Treinamento contínuo com vários SDKs, KubeFlow e AI Platform Pipelines

• اپلیکیشن‌های آموزشی کانتینری شده Aplicativos de treinamento conteinerizados

• نحوه کانتینری کردن اپلیکیشن‌های PyTorch، Scikit و XGBoost Como fazer a conteinerização dos aplicativos PyTorch, Scikit e XGBoost

• بررسی KubeFlow و AI Platform Pipelines KubeFlow e AI Platform Pipelines

• آموزش مداوم (Continuous Training) Treinamento contínuo

آموزش مداوم با Cloud Composer Treinamento contínuo com Cloud Composer

• Cloud Composer چیست؟ O que é o Cloud Composer?

• مفاهیم کلیدی Apache Airflow Principais conceitos do Apache Airflow

• پایپ‌لاین‌های آموزش مداوم با Cloud Composer (بخش داده) Pipelines de treinamento contínuo com o Cloud Composer (dados)

• پایپ‌لاین‌های آموزش مداوم با Cloud Composer (بخش مدل) Pipelines de treinamento contínuo com o Cloud Composer (modelo)

• ترکیب Apache Airflow، کانتینرها و TFX Apache Airflow, contêineres e TFX

پایپ‌لاین‌های ML با MLflow Pipelines de ML com o MLflow

• مقدمه MLflow Introdução

• مروری بر چالش‌های توسعه یادگیری ماشین Visão geral dos desafios do desenvolvimento de ML

• نحوه رفع چالش‌ها توسط MLflow Como o MLflow enfrenta esses desafios

• رهگیری (Tracking) در MLflow Rastreamento do MLflow

• پروژه‌های MLflow Projetos do MLflow

• مدل‌های MLflow Modelos do MLflow

• ثبت مدل‌ها (Model Registry) در MLflow Registro dos modelos do MLflow

• دمو: نحوه نصب MLflow به صورت محلی Demonstração: Como implantar o MLflow no local

• دمو: استفاده از MLflow در Databricks Community Edition Demonstração: MLflow usando o Databricks Community Edition

جمع‌بندی Resumo

• جمع‌بندی نهایی دوره Resumo do curso