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.
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

  • متشکرم Thank you

نمایش نظرات

نظری ارسال نشده است.

آموزش یک مدل یادگیری ماشین تولید را با AWS & React اجرا کنید
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
5.5 hours
73
Udemy (یودمی) udemy-small
26 اسفند 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
920
4.7 از 5
ندارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Patrik Szepesi Patrik Szepesi

مهندس یادگیری ماشین

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.