لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش ضروری Google Cloud Platform for Machine Learning
Google Cloud Platform for Machine Learning Essential Training
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
یادگیری ماشینی می تواند برنامه های شما را سریعتر و هوشمندتر کند. می توانید داده های مشتری مانند ورودی صوتی و متنی، تصاویر و ویدیو را تجزیه و تحلیل کنید و بدون دخالت انسان اقدام کنید. Google Cloud Platform (GCP) مجموعهای رقابتی از خدمات یادگیری ماشینی را برای تقریباً هر نوع معماری از جمله محاسبات بدون سرور، کانتینرها و ماشینهای مجازی ارائه میدهد. در این دوره با مربی لین لنگیت، یاد بگیرید که از ابزارها و خدمات توسعه مدل یادگیری ماشینی موجود در Google Cloud استفاده کنید. Lynn نشان می دهد که چگونه می توانید از خدمات یادگیری ماشینی Vertex AI برای توسعه، آموزش، ارزیابی و میزبانی مدل های یادگیری ماشین سفارشی استفاده کنید. بیاموزید که چگونه میتوانید مدلهای خود را بیاورید یا از مدلهای پایه هوش مصنوعی که اخیراً منتشر شدهاند به عنوان پایهای برای کار خود استفاده کنید. کشف کنید که چگونه ابزارهای جدیدی مانند Google AI Studio میتوانند شما را به سرعت راهاندازی کنند و نحوه استفاده از Vertex AI APIs برای تسلط بر MLOهای سرتاسری را ببینید.
سرفصل ها و درس ها
معرفی
Introduction
GCP و یادگیری ماشینی
GCP and Machine Learning
آنچه شما باید بدانید
What you should know
درباره استفاده از خدمات ابری
About using cloud services
1. Vertex AI Studio
1. Vertex AI Studio
از Vertex AI Model Garden استفاده کنید
Use Vertex AI Model Garden
طراحی و آزمایش درخواست های مدل چندوجهی
Design and test multimodal model prompts
خروجی تولیدی مدل تصویر را آزمایش کنید
Test image model generative output
راه حل: مدل های GenAI را انتخاب و آزمایش کنید
Solution: Select and test GenAI models
چالش: مدل های GenAI را انتخاب و آزمایش کنید
Challenge: Select and test GenAI models
خروجی تولید گفتار را طراحی و آزمایش کنید
Design and test speech generative output
طراحی و آزمایش مدل زبان
Design and test language model prompts
2. نوت بوک های Vertex AI
2. Vertex AI Notebooks
از مثال TensorFlow استفاده کنید: MNIST
Use TensorFlow example: MNIST
از نمونه های نوت بوک استفاده کنید
Use notebook instances
راه حل: راه اندازی نوت بوک
Solution: Setup notebook
به روز رسانی نمونه نوت بوک
Update notebook instance
چالش: راه اندازی نوت بوک
Challenge: Setup notebook
از نوت بوک های مدیریت شده و مدیریت شده توسط کاربر استفاده کنید
Use managed and user-managed notebooks
خدمات موجود را درک کنید
Understand available services
3. توسعه مدل
3. Model Development
جستجوی برداری را درک کنید
Understand Vector Search
فروشگاه ویژگی را درک کنید
Understand Feature Store
راه حل: یک فروشگاه ویژگی ایجاد کنید
Solution: Create a Feature Store
از جستجوی برداری استفاده کنید
Use Vector Search
چالش: یک فروشگاه ویژگی ایجاد کنید
Challenge: Create a Feature Store
4. استقرار مدل
4. Model Deployment
یک مدل را در رجیستری ثبت کنید
Register a model in the registry
نقاط پایانی دسته ای و آنلاین را مرور کنید
Review batch and online endpoints
از رجیستری مدل استفاده کنید
Use the model registry
چالش: یک کار خط لوله مدل را اجرا و ارزیابی کنید
Challenge: Run and evaluate a model pipeline job
راه حل: یک کار خط لوله مدل را اجرا و ارزیابی کنید
Solution: Run and evaluate a model pipeline job
الگوهای خط لوله مدل را درک کنید
Understand model pipeline templates
Lynn Langit یک معمار ابری است که با خدمات وب آمازون و Google Cloud Platform کار می کند.
لین متخصص در پروژه های کلان داده است. او با AWS Athena، Aurora، Redshift، Kinesis و IoT کار کرده است. او همچنین کارهای تولیدی را با Databricks برای Apache Spark و Google Cloud Dataproc، Bigtable، BigQuery و Cloud Spanner انجام داده است.
لین همچنین بنیانگذار است. آموزش برنامه نویسی به کودکان. او درباره داده ها و فناوری های ابری در آمریکای شمالی و جنوبی، اروپا، آفریقا، آسیا و استرالیا صحبت کرده است.
نمایش نظرات