آموزش سیستم های یادگیری ماشین تولید

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

• خلاصه Summary