نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
در این دوره ، ما به اجزا و بهترین روشهای سیستم ML با عملکرد بالا در محیط های تولید شیرجه خواهیم خورد. این دوره بخشی از موارد زیر است: یادگیری پیشرفته ماشین در Google Cloud Path همه را بزرگ کنید به دوره خوش آمدید 6m 39s Architecting Production ML Systems 36 متر 11 ثانیه مصرف داده برای تجزیه و تحلیل مبتنی بر Cloud و ML 25 متر 24 ثانیه طراحی سیستم های ML سازگار 33m 51s طراحی سیستم های ML با کارایی بالا 46 متر 23s سیستم های ترکیبی ML 47 متر 37s خلاصه دوره 2 متر 3 ثانیه علائم تجاری و نام تجاری اشخاص ثالث ذکر شده در این دوره متعلق به صاحبان مربوطه می باشند و Pluralsight وابسته یا تأیید شده توسط این احزاب نیست.
سرفصل ها و درس ها
به دوره خوش آمدید
Welcome to the course
-
معرفی دوره
Course Introduction
-
شروع کار با GCP و Qwiklabs
Getting started with GCP and Qwiklabs
Architecting Production ML Systems
Architecting Production ML Systems
-
مقدمه
Introduction
-
اجزای یک سیستم ML
The Components of an ML System
-
مonلفه های یک سیستم ML: تجزیه و تحلیل و اعتبار سنجی داده ها
The Components of an ML System:Data Analysis and Validation
-
مonلفه های یک سیستم ML: انتقال داده + مربی
The Components of an ML System:Data Transformation + Trainer
-
مonلفه های سیستم ML: تیونر + ارزیابی و اعتبارسنجی مدل
The Components of an ML System:Tuner + Model Evaluation and Validation
-
اجزای سیستم ML: خدمت
The Components of an ML System:Serving
-
اجزای سیستم ML: ارکستراسیون + گردش کار
The Components of an ML System:Orchestration + Workflow
-
م ofلفه های یک سیستم ML: یکپارچه Frontend + ذخیره سازی
The Components of an ML System:Integrated Frontend + Storage
-
تصمیمات طراحی آموزش
Training Design Decisions
-
تصمیمات طراحی خدمت می کنند
Serving Design Decisions
-
معرفی آزمایشگاه: خدمت در Cloud AI Platform
Lab Intro:Serving on Cloud AI Platform
-
خدمت در Cloud AI Platform
Serving on Cloud AI Platform
-
راه حل آزمایشگاهی: خدمت در Cloud AI Platform
Lab Solution:Serving on Cloud AI Platform
-
طراحی از Scratch
Designing from Scratch
مصرف داده برای تجزیه و تحلیل مبتنی بر Cloud و ML
Ingesting data for Cloud-based analytics and ML
-
مقدمه
Introduction
-
داده در محل
Data On-Premise
-
مجموعه داده های بزرگ
Large Datasets
-
داده در مورد سایر ابرها
Data on Other Clouds
-
پایگاه داده های موجود
Existing Databases
-
نسخه ی نمایشی: بارگذاری داده ها در BigQuery
Demo:Load data into BigQuery
-
نسخه ی نمایشی: خطوط لوله ETL خودکار به GCP
Demo:Automatic ETL Pipelines into GCP
طراحی سیستم های ML سازگار
Designing Adaptable ML systems
-
مقدمه
Introduction
-
سازگار شدن با داده ها
Adapting to Data
-
تغییر توزیع ها
Changing Distributions
-
ورزش: سازگاری با داده ها
Exercise:Adapting to Data
-
تصمیمات درست و غلط
Right and Wrong Decisions
-
خرابی سیستم
System Failure
-
کاهش آموزش - خدمت کج از طریق طراحی
Mitigating Training-Serving Skew through Design
-
معرفی آزمایشگاه: ارائه پیش بینی های ML به صورت دسته ای و در زمان واقعی
Lab Intro:Serving ML Predictions in batch and real-time
-
آزمایشگاه: ارائه پیش بینی های ML به صورت دسته ای و در زمان واقعی
Lab: Serving ML Predictions in batch and real-time
-
راه حل آزمایشگاهی: ارائه پیش بینی های ML به صورت دسته ای و در زمان واقعی
Lab Solution:Serving ML Predictions in batch and real-time
-
اشکال زدایی از یک مدل تولید
Debugging a Production Model
-
خلاصه
Summary
طراحی سیستم های ML با کارایی بالا
Designing High-performance ML systems
-
مقدمه
Introduction
-
آموزش
Training
-
پیش بینی ها
Predictions
-
چرا آموزش توزیع شده است؟
Why distributed training?
-
توزیع معماری آموزش
Distributed training architectures
-
خطوط لوله ورودی سریعتر
Faster input pipelines
-
عملیات بومی TensorFlow
Native TensorFlow Operations
-
سوابق TensorFlow
TensorFlow Records
-
خطوط لوله موازی
Parallel pipelines
-
موازی سازی داده ها با All Reduce
Data parallelism with All Reduce
-
رویکرد پارامتر سرور
Parameter Server Approach
-
استنباط
Inference
سیستم های ترکیبی ML
Hybrid ML systems
-
مقدمه
Introduction
-
یادگیری ماشین در ابر ترکیبی
Machine Learning on Hybrid Cloud
-
KubeFlow
KubeFlow
-
نسخه ی نمایشی: KubeFlow
Demo:KubeFlow
-
آزمایشگاه: Kubeflow: پایان به پایان
Lab: Kubeflow: End to End
-
مدل های جاسازی شده
Embedded Models
-
TensorFlow Lite
TensorFlow Lite
-
بهینه سازی برای موبایل
Optimizing for Mobile
-
خلاصه
Summary
خلاصه دوره
Course Summary
نمایش نظرات