لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یک مدل یادگیری ماشین تولید را با AWS & React اجرا کنید
Deploy a Production Machine Learning model with AWS & React
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
با SageMaker، Next.js، Node.js، MongoDB و DigitalOcean یک طبقهبندیکننده تصویر مقیاسپذیر و ایمن بسازید. Matplotlib، Numpy، Pandas، Seaborn در SageMaker از مقیاس خودکار برای نقاط پایانی مستقر شده ما در AWS استفاده از نمونه GPU چند نمونه ای برای آموزش در AWS یاد بگیرید چگونه از نوت بوک های SageMaker برای هر کار یادگیری ماشینی در AWS استفاده کنید. راه اندازی AWS API Gateway برای استقرار مدل ما در اینترنت نقاط پایانی ایمن AWS با دسترسی محدود به آدرس IP استفاده از هر مجموعه داده سفارشی برای آموزش راه اندازی سیاست های IAM در AWS تنظیم همزمانی لامبدا در AWS Data Visualization در SageMaker یاد بگیرید چگونه MLOps را در AWS Build انجام دهید و MongoDB، Express، Nodejs، React را استقرار دهید. برنامه/nextjs در DigitalOcean ایجاد یک خط لوله یادگیری ماشینی از جمعآوری داده تا استقرار حالت فایل در مقابل حالت لوله هنگام آموزش مدلهای یادگیری عمیق در AWS استفاده از AWS داخلی در طبقهبندی تصویر ایجاد مدلهای یادگیری عمیق با AWS SageMaker یاد بگیرید چگونه به هر الگوریتم AWS ساخته شده از AWS ECR دسترسی داشته باشید از گزارشهای CloudWatch برای نظارت بر کارهای آموزشی و استنباطها استفاده کنید. آموزش ترکیب هوش مصنوعی و یادگیری ماشینی با بهداشت و درمان راه اندازی افزایش داده ها در یادگیری ماشینی AWS با جاوا اسکریپت پایتون برای استقرار برنامه های MERN اختیاری، فقط در صورتی اعمال می شود که همراه من باشید)
در این دوره ما از AWS Sagemaker، AWS API Gateway، Lambda، React.js، Node.js، Express.js MongoDB و DigitalOcean برای ایجاد یک طبقهبندی کننده تصویر سطح سازمانی آماده، ایمن، مقیاسپذیر و قوی استفاده میکنیم. ما از بهترین شیوه ها و تنظیم سیاست های IAM برای ایجاد یک محیط امن در AWS استفاده خواهیم کرد. سپس ما از AWS ساخته شده در نوت بوک های SageMaker Studio استفاده خواهیم کرد که در آن به شما دوستان نشان خواهم داد که چگونه می توانید از هر مجموعه داده سفارشی که می خواهید استفاده کنید. ما از تجزیه و تحلیل داده های اکتشافی در مجموعه داده های خود با Matplotlib، Seaborn، Pandas و Numpy استفاده خواهیم کرد. پس از دریافت اطلاعات دقیق در مورد مجموعه داده، ما کار تنظیم Hyperparameter خود را در AWS راهاندازی میکنیم که در آن نحوه استفاده از نمونههای GPU را برای افزایش سرعت آموزش به شما نشان میدهم و حتی نحوه استفاده از آموزش نمونههای چند GPU را به شما نشان میدهم. سپس مشاغل آموزشی خود را ارزیابی خواهیم کرد و به برخی از معیارها مانند دقت، یادآوری و امتیاز F1 نگاه خواهیم کرد. پس از ارزیابی، مدل یادگیری عمیق خود را با کمک توابع AWS API Gateway و Lambda در AWS مستقر خواهیم کرد. سپس API خود را با Postman آزمایش می کنیم و می بینیم که آیا نتایج استنباط را دریافت می کنیم. پس از تکمیل آن، نقاط پایانی خود را ایمن می کنیم و مقیاس خودکار را برای جلوگیری از مشکلات تأخیر تنظیم می کنیم. در نهایت ما برنامه وب خود را می سازیم که به API AWS دسترسی خواهد داشت. پس از آن ما برنامه وب خود را در DigitalOcean مستقر خواهیم کرد.
سرفصل ها و درس ها
مقدمه
Intro
نمای کلی دوره
Course overview
چیزی که قراره بسازیم
What we're going to build
معرفی
Introduction
راه اندازی SageMaker
Setting up SageMaker
تنظیم سیاست های IAM
Setting Up IAM Policies
راه اندازی SageMaker
Setting Up SageMaker
راه اندازی نوت بوک SageMaker ما
Launching our SageMaker notebook
نکات سریع قبل از دریافت اطلاعات ما
Quick Tips before getting our Data
بهینه سازی هزینه و نکات دیگر
Cost optimazation and other Tips
تجزیه و تحلیل داده های اکتشافی
Exploratory data analysis
داده ها را از Kaggle Part 1 دریافت کنید
Get data from Kaggle Part 1
دریافت اطلاعات از Kaggle Part 2
Get Data from Kaggle Part 2
مهم
Important
تجسم تصاویر
Visualizing images
تصحیح
Correction
تغییر اندازه تصاویر (تئوری)
Resizing images(Theory)
کامپیوتر ویژن قسمت 1
Computer Vision Part 1
کامپیوتر ویژن قسمت 2
Computer Vision Part 2
تغییر اندازه تصاویر ما (کدگذاری)
Resizing our images(Coding)
اندازه تصاویر را بررسی کنید
Check the resized images
تجسم داده ها
Data Visualization
ایجاد DataFrame ما برای تجسم
Creating our DataFrame for Visualization
ایجاد نمودارهای نواری ما
Creating our Bar Graphs
زیباتر کردن نمودارهای ما
Making our Graphs nicer
راه اندازی کار آموزش AWS ما
Setting up our AWS training Job
فایل های lst چیست؟
What are .lst Files
ایجاد Pandas DataFrame برای فایل های lst
Creating Pandas DataFrame for .lst files
ایجاد فایل های .lst ما
Creating our .lst files
تصاویر و فایل های lst را در S3 آپلود کنید
Upload images and .lst files to S3
تصحیح و تایید آپلود
Correction and Verify Upload
تنظیم شی Estimator برای آموزش
Setting up our Estimator object for training
مهم، تصحیح برای حداکثر اجرا
IMPORTANT, Correction for Max Runs
تنظیم Hyperparameter Tuning
Setting up Hyperparameter Tuning
تنظیم محدوده Hyperparameters
Setting up Hyperparameters ranges
تصحیح
Correction
راه اندازی شغل آموزشی ما
Setting up our Training Job
شروع کار آموزشی ما
Starting our Training Job
ارزیابی و آزمایش مدل آموزش دیده ما
Evaluating and Testing our Trained model
ارزیابی شغل آموزشی ما
Evaluating our Training Job
استقرار مدل ما به صورت محلی
Deploying our model locally
گرفتن اولین استنتاج ما
Getting our First Inference
ساخت ماتریس سردرگمی ما
Constructing our confusion matrix
Recall، Precision، F1 Score
Recall, Precision, F1 Score
خاموش کردن نقطه پایانی ما
Shutting down our Endpoint
استقرار مدل پایانی ما در دروازه API آمازون
Deploying our model Endpoint to Amazon API Gateway
ایجاد خط مشی IAM برای تابع لامبدا ما
Creating IAM Policy for our lambda function
کدگذاری تابع Lambda ما
Coding our Lambda function
ایجاد دروازه API ما
Creating Our API Gateway
اضافه کردن نام نقطه پایانی به Lambda
Adding Endpoint name to Lambda
شکل تصویر برای استنتاج
Image shape for Inference
تست نقطه پایانی ما با پستچی
Testing Our Endpoint with Postman
راه اندازی همزمانی لامبدا
Setting up Lambda Concurrency
ایجاد برنامه وب ما
Creating our web application
کد منبع
Source Code
راه اندازی پایگاه داده MongoDB ما
Setting up our MongoDB database
دانلود کد منبع از Github
Downloading source code from Github
راه اندازی برنامه وب ما به صورت محلی
Launching our web application locally
URL Axios را روی Endpoint خود تنظیم کنید
Set Axios URL to our Endpoint
راهنمای برنامه MERN قسمت 1
MERN app walkthrough Part 1
نقطه پایان خود را شروع کنید
Start your Endpoint
راهنمای برنامه MERN قسمت 2
MERN app walkthrough Part 2
مقیاس پذیری و امنیت
Scalability and Security
مقیاس خودکار برای نقطه پایانی ما قسمت 1
AutoScaling for our Endpoint Part 1
مقیاس خودکار برای قسمت 2 نقطه پایانی ما
AutoScaling for our Endpoint Part 2
ایمن سازی نقطه پایانی ما قسمت 1
Securing our Endpoint Part 1
ایمن سازی نقطه پایانی ما قسمت 2
Securing our Endpoint Part 2
استقرار برنامه وب ما در DigitalOcean
Deploying our web application to DigitalOcean
ایجاد حساب DigitalOcean ما
Creating our DigitalOcean account
راه اندازی سرور DigitalOcean ما
Setting Up our DigitalOcean server
SSH به قطره DigitalOcean ما وارد می شود
SSH-ing into our DigitalOcean droplet
نصب Node.js و NPM در قطره ما
Installing Node.js and NPM to our droplet
ایجاد مخازن Frontend و Backend ما
Creating our Frontend and Backend repositories
Repos را از Github کلون کنید و Nginx را نصب کنید
Clone Repos from Github and Install Nginx
ایجاد فایلهای env و راهاندازی MongoDB
Create env Files and Setting up MongoDB
راه اندازی Backend ما
Starting our Backend
اجرای Frontend ما
Running our Frontend
تغییر آدرس های IP
Changing IP addresses
آزمایش بر روی تصاویر تصادفی از اینترنت
Testing on random images from the Internet
Outro
Outro
Amazon SageMaker Endpoint را حذف کنید
Delete Amazon SageMaker Endpoint
پاکسازی و مراحل بعدی
Clean Up and Next Steps
مرحله آخر: حذف Elastic File System
Final Step: Delete Elastic File System
نمایش نظرات