آموزش مقیاس گذاری راه حل های یادگیری مقیاس پذیری

بررسی اجمالی دوره Course Overview

• بررسی اجمالی دوره Course Overview

درک راهبردهای مقیاس محاسباتی Understanding Strategies for Computational Scaling

• بررسی اجمالی ماژول Module Overview

• پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

• ابعاد مقیاس گذاری Dimensions of Scaling

• اندازه گیری عملکرد در مقیاس گذاری Measuring Performance in Scaling

• تأثیر تعداد ویژگی ها Influence of Number of Features

• تأثیر تکنیک های استخراج ویژگی Influence of Feature Extraction Techniques

• تأثیر نمایندگی ویژگی Influence of Feature Representation

• نسخه ی نمایشی: توابع کمکی برای تولید مجموعه داده ها و مدل های آموزش Demo: Helper Functions to Generate Datasets and Train Models

• نسخه ی نمایشی: اندازه گیری تأخیرهای آموزشی برای مدل های مختلف Demo: Measuring Training Latencies for Different Models

• خلاصه ماژول Module Summary

مشاهده عوامل موثر بر تأخیر پیش بینی Observing the Factors Affecting Prediction Latency

• بررسی اجمالی ماژول Module Overview

• نسخه ی نمایشی: اندازه گیری تاخیرهای انبوه و پیش بینی اتمی برای مدل های مختلف Demo: Measuring Bulk and Atomic Prediction Latencies for Different Models

• نسخه ی نمایشی: تأثیر تعداد ویژگی ها در تأخیر پیش بینی انبوه Demo: Influence of Number of Features on Bulk Prediction Latency

• بهینه سازی برای بهبود تأخیر پیش بینی Optimizations to Improve Prediction Latency

• بهینه سازی برای بهبود عملکرد پیش بینی Optimizations to Improve Prediction Throughput

• نسخه ی نمایشی: مشاهده تأثیر پیچیدگی مدل Demo: Observing the Influence of Model Complexity

• نسخه ی نمایشی: استفاده از کتابخانه های بهینه و کاهش هزینه اعتبار سنجی Demo: Using Optimized Libraries and Reducing Validation Overhead

• نسخه ی نمایشی: مدل های آموزشی با استفاده از نمایش ورودی متراکم و پراکنده Demo: Training Models Using Dense and Sparse Input Representation

• نسخه ی نمایشی: پیش بینی با داده های پراکنده و پروفایل حافظه Demo: Prediction with Sparse Data and Memory Profiling

• خلاصه ماژول Module Summary

اجرای مقیاس گذاری موارد با استفاده از یادگیری خارج از هسته Implementing Scaling of Instances Using Out-of-core Learning

• بررسی اجمالی ماژول Module Overview

• پخش جریانی داده Streaming Data

• یادگیری افزایشی برای مجموعه های داده بزرگ Incremental Learning for Large Datasets

• نسخه ی نمایشی: آماده سازی داده های متنی برای خارج از یادگیری اصلی Demo: Preparing Text Data for out of Core Learning

• نسخه ی نمایشی: استفاده از جزئی متناسب برای عملکرد خارج از یادگیری اصلی Demo: Using Partial Fit to Perform out of Core Learning

• نسخه ی نمایشی: تجسم تاخیرها و دقت ها Demo: Visualizing Latencies and Accuracies

• نسخه ی نمایشی: با استفاده از طبقه بندی کننده های Passive Aggressive ، Perceptron و BernoulliNB Demo: Using the Passive Aggressive, Perceptron, and BernoulliNB Classifiers

• خلاصه ماژول Module Summary

پیاده سازی موازی سازی چند هسته ای در یادگیری دقیق Implementing Multicore Parallelism in scikit-learn

• بررسی اجمالی ماژول Module Overview

• محاسبه موازی استفاده از Joblib Parallelizing Computation Using Joblib

• نسخه ی نمایشی: معرفی Joblib Demo: Introducing Joblib

• نسخه ی نمایشی: اجرای کارگران همزمان با استفاده از Joblib Demo: Running Concurrent Workers Using Joblib

• نسخه ی نمایشی: اعتبار سنجی متقابل با استفاده از همزمان کارگران Demo: Cross Validation Using Concurrent Workers

• نسخه ی نمایشی: ادغام Joblib با Dask ML Demo: Integrating Joblib with Dask ML

• نسخه ی نمایشی: جستجوی شبکه با کارگران همزمان Demo: Grid Search with Concurrent Workers

• نسخه ی نمایشی: آماده سازی داده ها برای طبقه بندی چند برچسب Demo: Preparing Data for Multi-label Classification

• نسخه ی نمایشی: انجام طبقه بندی چند برچسب Demo: Performing Multi-label Classification

• خلاصه ماژول Module Summary

به طور خودکار مقیاس خودکار یادگیری را با Apache Spark یاد بگیرید Autoscaling of scikit-learn with Apache Spark

• بررسی اجمالی ماژول Module Overview

• ادغام Apache Spark و یادگیری سریع Integrating Apache Spark and scikit-learn

• نسخه ی نمایشی: کار با Spark با استفاده از spark-sklearn Demo: Working with Spark Using spark-sklearn

• نسخه ی نمایشی: کار با Spark با استفاده از spikit-spark Demo: Working with Spark Using scikit-spark

• خلاصه و مطالعه بیشتر Summary and Further Study