در این دوره آموزشی، نحوه استقرار مدلهای یادگیری عمیق یادگیری ماشین را با استفاده از تکنیکهای مختلف خواهید آموخت. این دوره شما را فراتر از توسعه مدل می برد و توضیح می دهد که چگونه می توان مدل را توسط برنامه های مختلف با مثال های عملی مصرف کرد
ساختار دوره:
ایجاد یک مدل طبقه بندی با استفاده از Scikit-learn
ذخیره مدل و مقیاسکننده استاندارد
صادر کردن مدل به محیط دیگری - Local و Google Colab
ایجاد API REST با استفاده از Python Flask و استفاده از آن به صورت محلی
ایجاد API REST یادگیری ماشینی در سرور مجازی Cloud
ایجاد API REST یادگیری ماشین بدون سرور با استفاده از توابع Cloud
ساخت و استقرار مدلهای TensorFlow و Keras با استفاده از سرویس TensorFlow
ساخت و استقرار مدل های PyTorch
تبدیل مدل PyTorch به قالب TensorFlow با استفاده از ONNX
ایجاد REST API برای مدلهای Pytorch و TensorFlow
استقرار مدلهای tf-idf و طبقهبندی متن برای تحلیل احساسات توییتر
استقرار مدلها با استفاده از TensorFlow.js و جاوا اسکریپت
تجربههای آموزشی مدل ردیابی و استقرار با MLFLow
اجرای MLFlow در Colab و Databricks
مبانی پایتون و ساخت مدل یادگیری ماشین با Scikit-learn در این دوره مورد بررسی قرار خواهد گرفت. این دوره برای مبتدیانی طراحی شده است که تجربه قبلی در زمینه یادگیری ماشین و یادگیری عمیق ندارند
همچنین نحوه ساخت و استقرار یک شبکه عصبی با استفاده از TensorFlow Keras و PyTorch را خواهید آموخت. حساب آزمایشی رایگان Google Cloud (GCP) برای آزمایش برخی از آزمایشگاههای طراحیشده برای محیط ابری مورد نیاز است.
توانمندسازی مهندسان داده و دانشمندان داده
نمایش نظرات