آموزش بخش‌بندی و مانیتورینگ موثر مدل‌های هوش مصنوعی - آخرین آپدیت

دانلود Partition & Monitor AI Models Effectively

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: مدل یادگیری ماشین شما با دقت بالا در مجموعه تست عالی عمل می‌کند، اما در محیط عملیاتی (Production) به‌طور نامحسوس شکست می‌خورد. این همان «رانش مدل» (Model Drift) است؛ بحرانی ناگفته که در آن مدل‌های آموزش‌دیده با داده‌های دیروز، برای واقعیت‌های امروز آماده نیستند. دوره «بخش‌بندی و مانیتورینگ موثر مدل‌های هوش مصنوعی» برای دانشمندان داده و مهندسان ML طراحی شده است که می‌دانند استقرار مدل تنها آغاز راه است. شما در این دوره از مرحله ساخت مدل فراتر رفته و وارد حوزه قابلیت اطمینان مدل می‌شوید تا سیستم‌های هوش مصنوعی مستحکمی ایجاد کنید که در طول زمان پایداری داشته باشند. سه ستون اصلی قابلیت اطمینان در MLOps را به طور کامل فرا بگیرید. یاد بگیرید چگونه با استفاده از تقسیم‌بندی‌های طبقه‌بندی شده (Stratified) و سری‌های زمانی (Time-series)، داده‌ها را به طور عادلانه بخش‌بندی کنید تا از نشت داده‌ها (Data Leakage) جلوگیری کرده و ارزیابی‌های صادقانه‌ای داشته باشید. همچنین مانیتورینگ مداوم را برای شناسایی رانش داده‌ها و مفاهیم با استفاده از معیارهایی مانند شاخص پایداری جمعیت (PSI) و واگرایی KL پیاده‌سازی کنید. در نهایت، خط لوله‌های بازآموزی خودکار (Automated Retraining Pipelines) را طراحی کنید تا سیستم‌های خودبهبودی بسازید که با کمترین دخالت انسانی با داده‌های جدید سازگار شوند. از طریق آزمایشگاه‌های عملی، یک «کیت ابزار قابلیت اطمینان مدل» خواهید ساخت تا توانایی خود را در نگهداری هوش مصنوعی در سطح صنعتی ثابت کنید. ساخت مدل‌های یک‌بارمصرف را متوقف کنید و مهندسی سیستم‌های هوش مصنوعی را آغاز کنید که با مدیریت کامل چرخه حیات مدل، ارزش پایدار خلق می‌کنند.

سرفصل ها و درس ها

تقسیم‌بندی داده‌ها برای پیش‌بینی سری‌های زمانی Data Splitting for Time-Series Forecasting

خطرات پنهان یک تقسیم‌بندی نادرست The Hidden Risks of a Bad Split
پیاده‌سازی تقسیم‌بندی سری‌های زمانی در نوت‌بوک Implementing Time-Series Splits in a Notebook

مانیتورینگ خودکار سلامت مدل Automated Model Health Monitoring

شناسایی رانش مدل پیش از وقوع فاجعه Catching Drift Before It's a Disaster
محاسبه امتیاز رانش (Drift Score) با پایتون Calculating a Drift Score with Python