لطفا جهت پرداخت (ورود به درگاه بانک) فیلترشکن خود را خاموش نمایید.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش MLOps (عملیات یادگیری ماشینی) مبانی
MLOps (Machine Learning Operations) Fundamentals
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره شرکت کنندگان را با ابزارهای MLOps و بهترین شیوه ها برای استقرار، ارزیابی، نظارت و اجرای سیستم های تولید ML در Google Cloud آشنا می کند. MLOps رشتهای است که بر استقرار، آزمایش، نظارت و اتوماسیون سیستمهای ML در تولید متمرکز است. متخصصان مهندسی یادگیری ماشین از ابزارهایی برای بهبود مستمر و ارزیابی مدلهای مستقر استفاده میکنند. آنها با دانشمندان داده کار می کنند (یا می توانند باشند) که مدل هایی را توسعه می دهند تا سرعت و دقت را در به کارگیری بهترین مدل ها فراهم کنند.
سرفصل ها و درس ها
به MLOps Fundamentals خوش آمدید
Welcome to MLOps Fundamentals
معرفی دوره
Course Introduction
چرا و چه زمانی به MLO ها نیاز داریم
Why and When do we Need MLOps
نقاط درد دانشمندان داده
Data Scientists’ Pain Points
مفهوم DevOps در ML
The concept of DevOps in ML
چرخه زندگی یادگیری ماشینی
Machine Learning Lifecycle
آشنایی با اجزای اصلی Kubernetes (اختیاری)
Understanding the Main Kubernetes Components (Optional)
معرفی
Introduction
معرفی کانتینرها
Introduction to Containers
کانتینرها و تصاویر کانتینر
Containers and Container Images
Pluralsight: شروع به کار با GCP و Qwiklabs
Pluralsight: Getting Started with GCP and Qwiklabs
آزمایشگاه: کار با Cloud Build
Lab: Working with Cloud Build
مقدمه ای بر Kubernetes
Introduction to Kubernetes
مقدمه ای بر Google Kubernetes Engine
Introduction to Google Kubernetes Engine
محاسبه جزئیات گزینه ها
Compute Options Detail
مفاهیم Kubernetes
Kubernetes Concepts
هواپیمای کنترلی کوبرنتیس
The Kubernetes Control Plane
مفاهیم موتور Google Kubernetes
Google Kubernetes Engine Concepts
معرفی آزمایشگاه
Lab Intro
آزمایشگاه: استقرار Google Kubernetes Engine
Lab: Deploying Google Kubernetes Engine
محلول آزمایشگاهی
Lab solution
محلول آزمایشگاهی
Lab solution
استقرارها
Deployments
راه های ایجاد استقرار
Ways to Create Deployments
خدمات و مقیاس بندی
Services and Scaling
به روز رسانی استقرارها
Updating Deployments
به روز رسانی های چرخشی
Rolling Updates
استقرار آبی-سبز
Blue-Green Deployments
استقرار قناری
Canary Deployments
معرفی آزمایشگاه
Lab Intro
معرفی آزمایشگاه
Lab Intro
آزمایشگاه: ایجاد استقرار موتور Google Kubernetes
Lab: Creating Google Kubernetes Engine Deployments
جابز و کرون جابز
Jobs and CronJobs
مشاغل موازی
Parallel Jobs
کرون جابز
CronJobs
مقدمه ای بر خطوط لوله پلتفرم هوش مصنوعی
Introduction to AI Platform Pipelines
بررسی اجمالی
Overview
مقدمه ای بر خطوط لوله پلتفرم هوش مصنوعی
Introduction to AI Platform Pipelines
مفاهیم
Concepts
چه موقع باید استفاده کرد
When to use
زیست بوم
Ecosystem
آزمایشگاه: اجرای خطوط لوله پلتفرم هوش مصنوعی
Lab: Running AI Platform Pipelines
راه حل آزمایشگاهی
Lab Solution
آموزش، تنظیم و ارائه خدمات در بستر هوش مصنوعی
Training, Tuning and Serving on AI Platform
نمای کلی سیستم و مفاهیم
System and concepts overview
ایجاد یک مجموعه داده قابل تکرار
Create a reproducible dataset
پیاده سازی یک مدل قابل تنظیم
Implement a tunable model
یک ظرف آموزشی بسازید و هل دهید
Build and push a training container
آموزش و کوک کردن یک مدل
Train and tune a model
سرویس و استعلام مدل
Serve and query a model
معرفی آزمایشگاه
Lab Intro
آزمایشگاه: استفاده از کانتینرهای سفارشی با آموزش پلتفرم هوش مصنوعی
Lab: Using custom containers with AI Platform Training
راه حل آزمایشگاهی
Lab Solution
خطوط لوله Kubeflow در پلتفرم هوش مصنوعی
Kubeflow Pipelines on AI Platform
نمای کلی سیستم و مفهوم
System and concept overview
توصیف خط لوله Kubeflow با KF DSL
Describing a Kubeflow Pipeline with KF DSL
اجزای از پیش ساخته شده
Pre-built components
اجزای سبک وزن پایتون
Lightweight Python Components
اجزای سفارشی
Custom components
کامپایل، آپلود و اجرا کنید
Compile, Upload and Run
معرفی آزمایشگاه: خط لوله آموزش مداوم با خط لوله Kubeflow و پلتفرم هوش مصنوعی ابری
Lab Intro: Continuous Training Pipeline with Kubeflow Pipeline and Cloud AI Platform
آزمایشگاه: خط لوله آموزش مداوم با خط لوله Kubeflow و پلتفرم هوش مصنوعی ابری
Lab: Continuous Training Pipeline with Kubeflow Pipeline and Cloud AI Platform
راه حل آزمایشگاهی
Lab Solution
CI/CD برای خطوط لوله Kubeflow در پلتفرم هوش مصنوعی
CI/CD for Kubeflow Pipelines on AI Platform
نمای کلی مفهوم
Concept Overview
سازندگان ساخت ابر
Cloud Build Builders
پیکربندی ساخت ابر
Cloud Build Configuration
محرک های ساخت ابر
Cloud Build Triggers
معرفی آزمایشگاه
Lab Intro
آزمایشگاه: CI/CD برای خط لوله Kubeflow
Lab: CI/CD for a Kubeflow pipeline
Pluralsight یکی از پرطرفدارترین پلتفرمهای آموزش آنلاین است که به میلیونها کاربر در سراسر جهان کمک میکند تا مهارتهای خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دورههای آموزشی در زمینههای فناوری اطلاعات، توسعه نرمافزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه میدهد.
یکی از ویژگیهای برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعهدهندگان و کارشناسان معتبر، دورههایی را ارائه میدهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژیها نگه میدارد. این امر به کاربران این اطمینان را میدهد که دورههایی که در Pluralsight میپذیرند، با جدیدترین دانشها و تجارب به روز شدهاند.
Google Cloud آموزش و گواهینامه های درخواستی را در فناوری های ابری در حال ظهور ارائه می دهد.
Google Cloud با صدها آزمایشگاه، دوره و نشان مهارت، متخصصان را قادر میسازد تا مهارتهای ابری حیاتی را با سرعت خودشان ایجاد کنند. آزمایشگاههای عملی این شرکت اعتبارنامههای موقتی را به منابع واقعی ابر ارائه میدهند، بنابراین افراد میتوانند Google Cloud را با استفاده از چیز واقعی یاد بگیرند. فراگیران همچنین می توانند با کسب گواهینامه های Google Cloud و/یا نشان های مهارتی که می توانند با شبکه خود به اشتراک بگذارند، تخصص خود را تأیید کنند.
نمایش نظرات