آموزش یادگیری عمیق با استفاده از TensorFlow و Apache MXNet در Amazon Sagemaker

Deep Learning Using TensorFlow and Apache MXNet on Amazon Sagemaker

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: این دوره مقدمه ای عمیق برای SageMaker و پشتیبانی آن برای آموزش و استقرار مدل های یادگیری ماشین در یک محیط توزیع شده است. SageMaker یک پلت فرم یادگیری ماشینی (ML) کاملاً مدیریت شده در AWS است که نمونه سازی، ساخت، آموزش و میزبانی را انجام می دهد. مدل های ML در واقع بسیار ساده هستند. در این دوره آموزشی، Deep Learning با استفاده از TensorFlow و Apache MXNet در Amazon SageMaker، نحوه استفاده از الگوریتم‌های داخلی مانند یادگیرنده خطی و PCA که در کانتینرهای SageMaker میزبانی می‌شوند، به شما نشان داده می‌شود. تنها کدی که باید بنویسید این است که داده های خود را آماده کنید. سپس 3 روش مختلف را مشاهده خواهید کرد که در آن مدل سفارشی خود را در SageMaker می‌سازید. شما مدل از پیش آموزش دیده خود را می آورید و آن را در اولین ظروف مهمانی SageMaker میزبانی می کنید. سپس روی ساخت مدل خود با استفاده از Apache MXNet کار خواهید کرد و در نهایت یک کانتینر سفارشی برای آموزش در SageMaker به ارمغان خواهید آورد. پس از اتمام این دوره، همچنین می‌دانید که چگونه می‌توانید به سایر سرویس‌های AWS مانند S3 و Redshift متصل شوید تا به داده‌های آموزشی خود دسترسی داشته باشید، آموزش را به صورت توزیع‌شده اجرا کنید و مدل‌های خود را به‌طور خودکار مقیاس‌بندی کنید.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

یادگیری ماشین در ابر با AWS SageMaker Machine Learning on the Cloud with AWS SageMaker

  • نمای کلی ماژول Module Overview

  • پیش نیازها و رئوس مطالب دوره Prerequisites and Course Outline

  • SageMaker را معرفی می کنیم Introducing SageMaker

  • آموزش مدل در SageMaker Training a Model on SageMaker

  • استقرار یک مدل در SageMaker Deploying a Model on SageMaker

  • نمونه های نوت بوک Jupyter Jupyter Notebook Instances

  • نسخه ی نمایشی: راه اندازی یک نمونه نوت بوک در SageMaker Demo: Setting up a Notebook Instance on SageMaker

  • نسخه ی نمایشی: راه اندازی S3 Bucket Demo: Setting up an S3 Bucket

استفاده از الگوریتم های داخلی در SageMaker Using Built-in Algorithms in SageMaker

  • نمای کلی ماژول Module Overview

  • الگوریتم های داخلی Built-in Algorithms

  • شهود: رگرسیون خطی و لجستیک Intuition: Linear and Logistic Regression

  • استفاده از الگوریتم های داخلی: مراحل Using Built-in Algorithms: Steps

  • نسخه ی نمایشی: یادگیرنده خطی - آماده سازی داده ها Demo: Linear Learner - Data Preparation

  • نسخه ی نمایشی: یادگیرنده خطی - آموزش Demo: Linear Learner - Training

  • نسخه ی نمایشی: یادگیرنده خطی - استقرار و استنتاج Demo: Linear Learner - Deployment and Inference

  • تجزیه و تحلیل اجزای اصلی: شهود Principal Components Analysis: Intuition

  • نسخه ی نمایشی: تجزیه و تحلیل اجزای اصلی - آماده سازی داده ها Demo: Principal Components Analysis - Data Preparation

  • نسخه ی نمایشی: تجزیه و تحلیل اجزای اصلی - آموزش، استقرار و استنتاج Demo: Principal Components Analysis - Training, Deployment, and Inference

استفاده از کد سفارشی، مدل‌ها و کانتینرها در SageMaker Using Custom Code, Models, and Containers in SageMaker

  • نمای کلی ماژول Module Overview

  • کد خود را بیاورید: Apache MXNet Bring Your Own Code: Apache MXNet

  • نسخه ی نمایشی: کد خود را بیاورید - آموزش Demo: Bring Your Own Code - Training

  • نسخه ی نمایشی: کد خود را بیاورید - استقرار و استنتاج Demo: Bring Your Own Code - Deployment and Inference

  • مدل خود را بیاورید: مراحل Bring Your Own Model: Steps

  • نسخه ی نمایشی: مدل خود را بیاورید - ذخیره مصنوعات مدل Demo: Bring Your Own Model - Saving Model Artifacts

  • نسخه ی نمایشی: مدل خود را بیاورید - استقرار، پیکربندی نقطه پایانی و نقاط پایانی Demo: Bring Your Own Model - Deployment, Endpoint Configuration, and Endpoints

  • نسخه ی نمایشی: مدل خود را بیاورید - استنتاج Demo: Bring Your Own Model - Inference

  • نسخه ی نمایشی: ایجاد یک Redshift Cluster Demo: Creating a Redshift Cluster

  • نسخه ی نمایشی: اتصال به Redshift از یک نمونه نوت بوک Demo: Connecting to Redshift from a Notebook Instance

  • کانتینر خود را بیاورید Bring Your Own Container

  • اجزای کانتینر سفارشی Custom Container Components

  • نسخه ی نمایشی: کاوش در اجزای کانتینر سفارشی Demo: Exploring Custom Container Components

  • کانتینر خود را بیاورید: مراحل Bring Your Own Container: Steps

  • کانتینر خود را بیاورید: آموزش Bring Your Own Container: Training

  • کانتینر خود را بیاورید: استقرار و استنتاج Bring Your Own Container: Deployment and Inference

اجرای آموزش توزیع شده و مقیاس خودکار در SageMaker Implementing Distributed Training and Autoscaling on SageMaker

  • نمای کلی ماژول Module Overview

  • TensorFlow آموزش و رابط استنتاج TensorFlow Training and Inference Interface

  • نسخه ی نمایشی: آموزش توزیع شده Demo: Distributed Training

  • انواع مدل های مقیاس پذیر خودکار Autoscaling Model Variants

  • نسخه ی نمایشی: پیکربندی مقیاس خودکار در SageMaker Demo: Configuring Autoscaling on SageMaker

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

آموزش یادگیری عمیق با استفاده از TensorFlow و Apache MXNet در Amazon Sagemaker
جزییات دوره
2h 21m
41
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
14
4.8 از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.