آموزش استقرار مدل یادگیری عمیق یادگیری ماشین

Machine Learning Deep Learning model deployment

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: ارائه TensorFlow Keras PyTorch مدل Python Flask Serverless REST API MLOps MLflow Cloud GCP NLP tensorflow.js استقرار تکنیک های استقرار مدل یادگیری عمیق یادگیری ماشینی ساخت مدل ساده با Scikit-Learn، TensorFlow و PyTorch استقرار Weight Series و استخراج مدل های یادگیری ماشینی TensorF در clouds مدل‌های PyTorch ایجاد API REST بدون سرور برای مدل‌های یادگیری ماشینی استقرار مدل‌های tf-idf و طبقه‌بندی‌کننده متن برای تحلیل احساسات توییتر استقرار مدل‌ها با استفاده از TensorFlow js و JavaScript یادگیری ماشین آزمایش و استقرار با استفاده از MLflow همانطور که در حال پوشش فرآیند ساخت مدل هستیم نیز باید داشته باشد

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:

  1. ایجاد یک مدل طبقه بندی با استفاده از Scikit-learn

  2. ذخیره مدل و مقیاس‌کننده استاندارد

  3. صادر کردن مدل به محیط دیگری - Local و Google Colab

  4. ایجاد API REST با استفاده از Python Flask و استفاده از آن به صورت محلی

  5. ایجاد API REST یادگیری ماشینی در سرور مجازی Cloud

  6. ایجاد API REST یادگیری ماشین بدون سرور با استفاده از توابع Cloud

  7. ساخت و استقرار مدل‌های TensorFlow و Keras با استفاده از سرویس TensorFlow

  8. ساخت و استقرار مدل های PyTorch

  9. تبدیل مدل PyTorch به قالب TensorFlow با استفاده از ONNX

  10. ایجاد REST API برای مدل‌های Pytorch و TensorFlow

  11. استقرار مدل‌های tf-idf و طبقه‌بندی متن برای تحلیل احساسات توییتر

  12. استقرار مدل‌ها با استفاده از TensorFlow.js و جاوا اسکریپت

  13. تجربه‌های آموزشی مدل ردیابی و استقرار با MLFLow

  14. 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.


سرفصل ها و درس ها

معرفی Introduction

  • مدل چیست؟ What is a Model?

  • انواع یادگیری ماشینی Types of Machine Learning

معرفی Introduction

  • معرفی Introduction

  • معرفی Introduction

  • مدل چیست؟ What is a Model?

  • چگونه یک مدل ایجاد کنیم؟ How do we create a Model?

  • چگونه یک مدل ایجاد کنیم؟ How do we create a Model?

  • انواع یادگیری ماشینی Types of Machine Learning

ساخت، ارزیابی و ذخیره یک مدل Building, evaluating and saving a Model

  • ایجاد یک محیط توسعه Spyder Creating a Spyder development environment

  • ساخت و ارزیابی یک مدل طبقه بندی Building and evaluating a Classification Model

  • ذخیره مدل و مقیاس کننده Saving the Model and the Scaler

ساخت، ارزیابی و ذخیره یک مدل Building, evaluating and saving a Model

  • ایجاد یک محیط توسعه Spyder Creating a Spyder development environment

  • دوره سقوط Python NumPy Pandas Matplotlib Python NumPy Pandas Matplotlib crash course

  • دوره سقوط Python NumPy Pandas Matplotlib Python NumPy Pandas Matplotlib crash course

  • ساخت و ارزیابی یک مدل طبقه بندی Building and evaluating a Classification Model

  • ذخیره مدل و مقیاس کننده Saving the Model and the Scaler

استقرار مدل در محیط های دیگر Deploying the Model in other environments

  • پیش بینی محلی با اشیاء Pickle غیر سریالی شده Predicting locally with deserialized Pickle objects

  • استفاده از مدل در محیط Google Colab Using the Model in Google Colab environment

استقرار مدل در محیط های دیگر Deploying the Model in other environments

  • پیش بینی محلی با اشیاء Pickle غیر سریالی شده Predicting locally with deserialized Pickle objects

  • استفاده از مدل در محیط Google Colab Using the Model in Google Colab environment

ایجاد یک REST API برای مدل یادگیری ماشین Creating a REST API for the Machine Learning Model

  • Flask REST API Hello World Flask REST API Hello World

  • میزبانی ماشین یادگیری REST API در Cloud Hosting the Machine Learning REST API on the Cloud

  • حذف نمونه VM Deleting the VM instance

  • API یادگیری ماشین بدون سرور با استفاده از توابع ابری Serverless Machine Learning API using Cloud Functions

  • مشتری پستچی REST Postman REST client

ایجاد یک REST API برای مدل یادگیری ماشین Creating a REST API for the Machine Learning Model

  • Flask REST API Hello World Flask REST API Hello World

  • ایجاد یک REST API برای مدل Creating a REST API for the Model

  • ایجاد یک REST API برای مدل Creating a REST API for the Model

  • ثبت نام برای استفاده آزمایشی رایگان Google Cloud Signing up for a Google Cloud free trial

  • ثبت نام برای استفاده آزمایشی رایگان Google Cloud Signing up for a Google Cloud free trial

  • میزبانی ماشین یادگیری REST API در Cloud Hosting the Machine Learning REST API on the Cloud

  • حذف نمونه VM Deleting the VM instance

  • API یادگیری ماشین بدون سرور با استفاده از توابع ابری Serverless Machine Learning API using Cloud Functions

  • ایجاد یک REST API در Google Colab Creating a REST API on Google Colab

  • ایجاد یک REST API در Google Colab Creating a REST API on Google Colab

  • مشتری پستچی REST Postman REST client

استقرار مدل های یادگیری عمیق Deploying Deep Learning Models

  • ساخت و استقرار مدل های PyTorch Building and deploying PyTorch models

  • ایجاد یک REST API برای مدل PyTorch Creating a REST API for the PyTorch Model

  • ذخیره و بارگیری مدل های TensorFlow Keras Saving & loading TensorFlow Keras models

  • ایجاد یک REST API با استفاده از سرور مدل TensorFlow Creating a REST API using TensorFlow Model Server

  • تبدیل یک مدل PyTorch به فرمت TensorFlow با استفاده از ONNX Converting a PyTorch model to TensorFlow format using ONNX

استقرار مدل های یادگیری عمیق Deploying Deep Learning Models

  • آشنایی با شبکه عصبی یادگیری عمیق Understanding Deep Learning Neural Network

  • آشنایی با شبکه عصبی یادگیری عمیق Understanding Deep Learning Neural Network

  • ساخت و استقرار مدل های PyTorch Building and deploying PyTorch models

  • ایجاد یک REST API برای مدل PyTorch Creating a REST API for the PyTorch Model

  • ذخیره و بارگیری مدل های TensorFlow Keras Saving & loading TensorFlow Keras models

  • آشنایی با کانتینرهای داکر Understanding Docker containers

  • آشنایی با کانتینرهای داکر Understanding Docker containers

  • ایجاد یک REST API با استفاده از سرور مدل TensorFlow Creating a REST API using TensorFlow Model Server

  • تبدیل یک مدل PyTorch به فرمت TensorFlow با استفاده از ONNX Converting a PyTorch model to TensorFlow format using ONNX

استقرار مدل های NLP برای تجزیه و تحلیل احساسات توییتر Deploying NLP models for Twitter sentiment analysis

  • تبدیل متن به مقادیر عددی با استفاده از مدل کیسه کلمات Converting text to numeric values using bag-of-words model

  • مدل tf-idf برای تبدیل متن به مقادیر عددی tf-idf model for converting text to numeric values

  • ایجاد و ذخیره مدل های طبقه بندی متن و tf-idf Creating and saving text classifier and tf-idf models

  • استقرار مدل‌های tf-idf و طبقه‌بندی متن برای تحلیل احساسات توییتر Deploying tf-idf and text classifier models for Twitter sentiment analysis

  • تجزیه و تحلیل احساسات توییتر با PyTorch REST API Twitter sentiment analysis with PyTorch REST API

  • ایجاد یک طبقه بندی متن با استفاده از TensorFlow Creating a text classifier using TensorFlow

استقرار مدل های NLP برای تجزیه و تحلیل احساسات توییتر Deploying NLP models for Twitter sentiment analysis

  • تبدیل متن به مقادیر عددی با استفاده از مدل کیسه کلمات Converting text to numeric values using bag-of-words model

  • مدل tf-idf برای تبدیل متن به مقادیر عددی tf-idf model for converting text to numeric values

  • ایجاد و ذخیره مدل های طبقه بندی متن و tf-idf Creating and saving text classifier and tf-idf models

  • ایجاد یک حساب توسعه دهنده توییتر Creating a Twitter developer account

  • ایجاد یک حساب توسعه دهنده توییتر Creating a Twitter developer account

  • استقرار مدل‌های tf-idf و طبقه‌بندی متن برای تحلیل احساسات توییتر Deploying tf-idf and text classifier models for Twitter sentiment analysis

  • ایجاد یک طبقه بندی متن با استفاده از PyTorch Creating a text classifier using PyTorch

  • ایجاد یک طبقه بندی متن با استفاده از PyTorch Creating a text classifier using PyTorch

  • ایجاد یک REST API برای مدل PyTorch NLP Creating a REST API for the PyTorch NLP model

  • ایجاد یک REST API برای مدل PyTorch NLP Creating a REST API for the PyTorch NLP model

  • تجزیه و تحلیل احساسات توییتر با PyTorch REST API Twitter sentiment analysis with PyTorch REST API

  • ایجاد یک طبقه بندی متن با استفاده از TensorFlow Creating a text classifier using TensorFlow

  • ایجاد یک REST API برای مدل های TensforFlow با استفاده از Flask Creating a REST API for TensforFlow models using Flask

  • ایجاد یک REST API برای مدل های TensforFlow با استفاده از Flask Creating a REST API for TensforFlow models using Flask

  • ارائه مدل های TensorFlow بدون سرور Serving TensorFlow models serverless

  • ارائه مدل های TensorFlow بدون سرور Serving TensorFlow models serverless

  • ارائه مدل های PyTorch بدون سرور Serving PyTorch models serverless

  • ارائه مدل های PyTorch بدون سرور Serving PyTorch models serverless

استقرار مدل ها در مرورگر با استفاده از جاوا اسکریپت و TensorFlow.js Deploying models on browser using JavaScript and TensorFlow.js

  • عملیات پایه تانسور با استفاده از TensorFlow.js Basic tensor operations using TensorFlow.js

استقرار مدل ها در مرورگر با استفاده از جاوا اسکریپت و TensorFlow.js Deploying models on browser using JavaScript and TensorFlow.js

  • معرفی TensorFlow.js TensorFlow.js introduction

  • معرفی TensorFlow.js TensorFlow.js introduction

  • نصب کد ویژوال استودیو و سرور زنده Installing Visual Studio Code and Live Server

  • نصب کد ویژوال استودیو و سرور زنده Installing Visual Studio Code and Live Server

  • دوره خرابی جاوا اسکریپت (اختیاری) JavaScript crash course (optional)

  • دوره خرابی جاوا اسکریپت (اختیاری) JavaScript crash course (optional)

  • افزودن TensforFlow.js به یک صفحه وب Adding TensforFlow.js to a web page

  • افزودن TensforFlow.js به یک صفحه وب Adding TensforFlow.js to a web page

  • عملیات پایه تانسور با استفاده از TensorFlow.js Basic tensor operations using TensorFlow.js

  • استقرار مدل Keras در یک صفحه وب با استفاده از TensorFlow.js Deploying Keras model on a web page using TensorFlow.js

  • استقرار مدل Keras در یک صفحه وب با استفاده از TensorFlow.js Deploying Keras model on a web page using TensorFlow.js

مدل به عنوان یک فرمول ریاضی و مدل به عنوان کد Model as a mathematical formula & Model as code

  • استخراج فرمول از مدل رگرسیون خطی Deriving formula from a Linear Regression Model

مدل به عنوان یک فرمول ریاضی و مدل به عنوان کد Model as a mathematical formula & Model as code

  • استخراج فرمول از مدل رگرسیون خطی Deriving formula from a Linear Regression Model

  • مدل به عنوان کد Model as code

  • مدل به عنوان کد Model as code

مدل ها در پایگاه داده Models in Database

  • ذخیره و بازیابی مدل ها از پایگاه داده با استفاده از Colab، Postgres و psycopg2 Storing and retrieving models from a database using Colab, Postgres and psycopg2

مدل ها در پایگاه داده Models in Database

  • ذخیره و بازیابی مدل ها از پایگاه داده با استفاده از Colab، Postgres و psycopg2 Storing and retrieving models from a database using Colab, Postgres and psycopg2

  • ایجاد یک فروشگاه مدل محلی با PostgreSQL Creating a local model store with PostgreSQL

  • ایجاد یک فروشگاه مدل محلی با PostgreSQL Creating a local model store with PostgreSQL

MLOps و MLflow MLOps and MLflow

  • مفاهیم ردیابی MLflow MLflow tracking concepts

  • ردیابی آزمایش‌های آموزشی مدل با MLfLow Tracking Model training experiments with MLfLow

  • اجرای MLflow در Colab Running MLflow on Colab

  • استقرار مدل ها با MLflow Deploying Models with MLflow

MLOps و MLflow MLOps and MLflow

  • عملیات یادگیری ماشین (MLOps) Machine Learning Operations (MLOps)

  • عملیات یادگیری ماشین (MLOps) Machine Learning Operations (MLOps)

  • MLflow مقدمه MLflow Introduction

  • MLflow مقدمه MLflow Introduction

  • مفاهیم ردیابی MLflow MLflow tracking concepts

  • نصب MLflow در ویندوز و مک Installing MLflow on Windows and Mac

  • نصب MLflow در ویندوز و مک Installing MLflow on Windows and Mac

  • ردیابی آزمایش‌های آموزشی مدل با MLfLow Tracking Model training experiments with MLfLow

  • ثبت خودکار MLflow MLflow auto-logging

  • ثبت خودکار MLflow MLflow auto-logging

  • API های MLflow REST MLflow REST APIs

  • API های MLflow REST MLflow REST APIs

  • اجرای MLflow در Colab Running MLflow on Colab

  • اجرای MLFlow روی Databricks Running MLFlow on Databricks

  • اجرای MLFlow روی Databricks Running MLFlow on Databricks

  • ردیابی آزمایش های PyTorch با MLflow Tracking PyTorch experiments with MLflow

  • ردیابی آزمایش های PyTorch با MLflow Tracking PyTorch experiments with MLflow

  • استقرار مدل ها با MLflow Deploying Models with MLflow

نمایش نظرات

آموزش استقرار مدل یادگیری عمیق یادگیری ماشین
جزییات دوره
5.5 hours
58
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
10,182
4.5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

FutureX Skills FutureX Skills

توانمندسازی مهندسان داده و دانشمندان داده