لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش عملیات یادگیری ماشین: Google Cloud - علم داده دنیای واقعی
Machine Learning Ops: Google Cloud - Real World Data Science
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
از توسعه مدل تا استقرار: سادهسازی گردشهای کار یادگیری ماشین در Google Cloud درک جامع مجموعه پلتفرم Google Cloud برای MLOها، غواصی عمیق در ابزارهایی مانند Airflow، Cloud Build، Google Container و Artifact Registry مهارت عملی در هماهنگسازی، استقرار و نظارت بر ماشین یادگیری گردش کار با استفاده از خدمات GCP Composer/Airflow و Vertex AI. بهترین روش ها و روش ها برای اطمینان از خطوط لوله یادگیری ماشینی مقیاس پذیر، تکرارپذیر و کارآمد در ابر. دیدگاهها و تکنیکهایی که برای کمک به آمادگی برای آزمون گواهینامه حرفهای ML GCP طراحی شدهاند و اعتبار شما را در دامنه ML ابری تقویت میکنند. پیش نیازها: تجربه اولیه در توسعه مدلها، مفاهیم و اصطلاحات علم داده دانش کاری پایتون، زیرا این دوره شامل کدنویسی و اسکریپت نویسی عملی است. راه حل های یادگیری ماشین مبتنی بر ابر
Google Cloud Platform در فضای ابری امروزی شتاب بیشتری به دست میآورد و MLOها برای پروژههای یادگیری ماشینی کارآمد شده ضروری هستند
در سفر جذاب علم داده، یک گام مهم بین ایجاد یک مدل و عملیاتی کردن آن وجود دارد. این مرحله اغلب نادیده گرفته می شود، اما بسیار مهم است - به آن عملیات یادگیری ماشین (MLOps) می گویند. Google Cloud Platform (GCP) ابزارهای قدرتمندی را برای کمک به سادهسازی این فرآیند ارائه میدهد، و در این دوره، ما قصد داریم به عمق آنها بپردازیم.
موضوعات مطرح شده در دوره:
CI/CD با استفاده از Cloud Build، Container و Registry Artifact
آموزش مستمر با استفاده از جریان هوا برای ارکستراسیون جریان کار ML:
نوشتن موارد تست
اکوسیستم هوش مصنوعی Vertex با استفاده از پایتون
خطوط لوله Kubeflow برای جریان کار ML و اجزای ML قابل استفاده مجدد
استقرار برنامههای کاربردی مفید با استفاده از PaLM LLM از GCP Generative AI
چرا این دوره را بگذرانید؟
مناسب برای مبتدیان با پیشینه برنامه نویسی: برای شروع، داشتن دانش و تخصص اولیه از علم داده کافی است. ما شما را از طریق سایر موارد راهنمایی خواهیم کرد.
یادگیری عملی: ما به یادگیری از طریق انجام دادن اعتقاد داریم. در طول دوره، پروژههای دنیای واقعی به شما کمک میکنند تا مفاهیم را درک کرده و با اطمینان آنها را به کار ببرید.
آمادگی برای گواهینامه ML حرفه ای GCP: در حالی که هدف درک و پیاده سازی کامل است، این دوره همچنین پایه ای قوی برای کسانی که قصد دارند گواهینامه ML حرفه ای GCP را دارند فراهم کند.
غذای آماده شما
در پایان این دوره، شما نه تنها تئوری پشت MLO ها را درک خواهید کرد، بلکه برای اجرای آن مجهز خواهید شد. تجربه عملی بهدستآمده به شما این امکان را میدهد که با اعتماد به نفس چالشهای ML در دنیای واقعی را مدیریت کنید.
ارتباط یادگیری ماشینی در دنیای امروز غیرقابل انکار است و با افزایش اهمیت آن، تقاضای فزاینده ای برای متخصصان ماهر در MLO ها وجود دارد. این دوره آموزشی برای پر کردن شکاف بین توسعه مدل و تعالی عملیاتی طراحی شده است، و ML را بیش از یک تمرین کدگذاری، بلکه به یک دارایی ملموس در حل مشکلات دنیای واقعی تبدیل میکند.
بنابراین، اگر مشتاق هستید که سفر ML خود را ارتقا دهید و بدانید که چگونه میتوانید مدلهای خود را واقعاً در پلتفرمی به قدرتمندی Google Cloud مؤثر کنید، این دوره در انتظار شما است. غواصی کنید، کاوش کنید، بیاموزید، و بیایید با هم کاری کنیم که ML برای دنیای واقعی کار کند!
سرفصل ها و درس ها
مقدمه و پیش نیازها
Introduction & prerequisites
سلام و مقدمه
Hello & Introduction
مخزن Github برای این دوره
Github Repository for this course
سرور Discord برای این دوره
Discord Server for this Course
آزمایشگاه-حساب آزمایشی GCP برای دوره ایجاد کنید
Lab-Create GCP Trial Account for the course
آزمایشگاه-دانلود gcloud-cli و پیکربندی پروژه
Lab-Download gcloud-cli & project configuration
پیش نیازهای دوره و تاسیسات
Course prerequisites and installations
بررسی اجمالی دوره و بررسی بخش
Course Overview & section walkthrough
خدمات GCP مورد استفاده در دوره
GCP Services used in the course
مقدمه ای بر ML Ops
Introduction to ML Ops
مقدمه ای بر ML-Ops
Introduction To ML-Ops
اصول اجزای کلیدی در ML-Ops
Key Components Principles in ML-Ops
CI/CD با استفاده از GCP CloudBuild، Artifact & Container Registry و CloudRun
CI/CD using GCP CloudBuild,Artifact & Container Registry and CloudRun
مقدمه ای بر CI/CD در GCP
Introduction to CI/CD on GCP
مقدمه ای بر رجیستری کانتینر GCP و رجیستری مصنوع
Introduction to GCP Container Registry and Artifact Registry
آزمایشگاه: API های لازم را فعال کنید و ماژول ها را نصب کنید
Lab : Enable necessary APIs and install modules
مقدمه ای بر GCP CloudRun برای مدل های ML
Introduction To GCP CloudRun for ML Models
مروری بر مراحل برای کاربرد فلاسک - توسعه محلی
Overview of Steps for Flask Application - Local development
آزمایشگاه: استقرار برنامه Flask با استفاده از Container/Artifact Registry و CloudRun
Lab : Deploy Flask application using Container/Artifact Registry and CloudRun
آزمایشگاه: PyTest را به صورت محلی با استفاده از ChatGPT اجرا کنید
Lab: Execute PyTest locally using ChatGPT
معرفی سرویس GCP CloudBuild
Introduction to GCP CloudBuild Service
آزمایشگاه: برنامه Flask را با استفاده از GCP CloudBuild گسترش دهید
Lab : Deploy Flask application using GCP CloudBuild
آزمایشگاه: راهاندازی Cloudbuild را از GitHub Repo تنظیم کنید
Lab : Setup Cloudbuild Triggers from GitHub Repo
بررسی اجمالی مدل XGBoost برای مدل توصیه های کوپن
XGBoost Model Overview for Coupon Recommendations Model
آزمایشگاه: استقرار و پیاده سازی Model Serving Flask Application و Pytest به صورت محلی
Lab : Deploy and implement Model Serving Flask Application and Pytest Locally
آزمایشگاه: مدل ML را با استفاده از CloudBuild در CloudRun اجرا کنید
Lab : Deploy ML Model to CloudRun using CloudBuild
مروری بر تست A/B برای مدلهای ML با استفاده از CloudRun
Overview of A/B Testing for ML Models using CloudRun
آزمایشگاه: استقرار نسخه جدید مدل ML و بهروزرسانی ترافیک نسخه
Lab : Deploy New Version of ML Model & Update version traffic
تکلیف - استقرار مدل رگرسیون اجاره دوچرخه و اجرای CI/CD
Assignment - Deploy Bike Rentals Regression Model & perform CI/CD
آموزش مدل مداوم با استفاده از Cloud Composer-Airflow
Continuous Model Training using Cloud Composer-Airflow
مروری بر مدل علم داده برای کمپین بازاریابی بانکی
Overview of Data science model for Bank Marketing Campaign
مقدمه ای بر آموزش مستمر
Introduction to Continuous Training
مقدمه ای بر جریان هوا برای آموزش مداوم
Introduction to Airflow For Continuous Training
آزمایشگاه: ایجاد Setup Airflow composer Env and Vertex AI Workbench
Lab: Create Setup Airflow composer Env and Vertex AI Workbench
آزمایشگاه: آموزش مدل را با استفاده از Jupyter-Nbk در GCP اجرا کنید
Lab: Execute Model Training using Jupyter-Nbk on GCP
آزمایشگاه: برای گردش کار یادگیری ماشین، داگ جریان هوا را اجرا کنید
Lab: Execute Airflow Dag for Machine Learning Workflow
آزمایشگاه: خط لوله آموزش مداوم در عمل
Lab : Continuous Training Pipeline in Action
پیامدهای سناریوهای شکست در آموزش مداوم
Implications of Failure scenarios in Continuous Training
آزمایشگاه: آموزش مداوم را برای ثبت گزارشهای مدل و هشدار راهاندازی راهاندازی کنید
Lab: Trigger Continuous Training to capture model logs and setup alerting
مروری بر CI/CD برای آموزش مدل
Overview of CI/CD for Model Training
آزمایشگاه: CI/CD کد آموزشی مدل با استفاده از Cloud-Build، PyTest و Github
Lab : CI/CD of Model Training Code using Cloud-Build,PyTest and Github
آزمایشگاه: راهاندازی CloudBuild را تنظیم کنید
Lab :Setup CloudBuild triggers
بخش 1 تکلیف: آموزش مداوم را برای مدل بازگشت سرمایه بازاریابی تنظیم کنید
Assignment Part-1 : Setup Continuous Training for a Marketing ROI Model
تکلیف قسمت 2: CICD مدل ROI Science Data را انجام دهید
Assignment Part-2 : Perform CICD of the Data Science ROI Model
تکلیف قسمت 3: استقرار برنامه سرویس دهی مدل در GCP CloudRun
Assignment Part-3 : Deploy Model Serving Application to GCP CloudRun
Vertex AI برای علم داده و یادگیری ماشین
Vertex AI For Data Science & Machine Learning
نمای کلی بخش
Section Overview
مقدمه ای بر خدمات آموزشی مدل AI Vertex
Introduction to Vertex AI Model Training Service
بررسی اجمالی مدل رگرسیون اجاره دوچرخه
Overview of Bike Share Rentals Regression Model
آزمایشگاه: آموزش مدل AI Vertex با استفاده از کنسول وب و Gcloud CLI
Lab : Vertex AI Model Training using Web Console and Gcloud CLI
مقدمه ای بر رجیستری مدل AI Vertex
Introduction to Vertex AI Model Registry
آزمایشگاه: آموزش مدل پایتون SDK-Vertex AI، رجیستری مدل و استقرار مدل
Lab : Python SDK-Vertex AI Model Training,Model Registry and Model Deployment
آزمایشگاه: اجرای سرویس پیش بینی آنلاین و دسته ای با استفاده از Python SDK و jupter nbks
Lab : Execute Online & Batch prediction Service using Python SDK and jupter nbks
خروجی پیشبینی دستهای Lab-Walkthrough و کارهای پیشبینی آنلاین با استفاده از Cloud Run
Lab-Walkthrough Batch Prediction Output & Online Prediction jobs using Cloud Run
Lab-استقرار و اجرای Batch Prediction Job با استفاده از GCP Cloud Functions
Lab-Deploy and implement Batch Prediction Job using GCP Cloud Functions
آزمایشگاه: مروری بر CI/CD با استفاده از Vertex AI
Lab : Overview of CI/CD using Vertex AI
آزمایشگاه: Vertex AI: CI/CD مدل علم داده با استفاده از CloudBuild
Lab :Vertex AI : CI/CD of Data science model using CloudBuild
تکلیف: مدل XGBoost را در Vertex AI مستقر کنید
Assignment : Deploy XGBoost Model to Vertex AI
خطوط لوله Vertex AI-Kubeflow برای ارکستراسیون گردش کار ML
Vertex AI-Kubeflow Pipelines for ML Workflow Orchestration
معرفی Kubeflow برای ML Orchestration
Introduction to Kubeflow for ML Orchestration
اجزای مختلف در خطوط لوله Kubeflow
Different Components in Kubeflow Pipelines
آزمایشگاه: یک خط لوله ساده برای مدل XgBoost مستقر کنید
Lab : Deploy a simple pipeline for XgBoost Model
آزمایشگاه: مدل Xgboost را با استفاده از json کامپایل شده برای آموزش مداوم فعال کنید
Lab : Trigger Xgboost Model using compiled json for continuous training
آزمایشگاه: اجرای خط لوله kubeflow سرتاسر با ارزیابی مدل
Lab : Execute end-to-end kubeflow pipeline with model evaluation
تکلیف آزمایشگاهی: استقرار یک مدل امتیازدهی اعتباری Scikit-Learn در خطوط لوله Vertex
Lab Assignment: Deploy a Scikit-Learn Credit Scoring Model to Vertex Pipelines
مقدمه ای بر آزمایش های هوش مصنوعی Vertex
Introduction to Vertex AI Experiments
آزمایشگاه: از فراپارامترهای مدل مختلف برای Xgboost با آزمایشهای Vertex AI استفاده کنید
Lab: Use different model hyperparameters for Xgboost with Vertex AI Experiments
آزمایشگاه: آموزش مدلهای طبقهبندی علوم دادههای مختلف با استفاده از آزمایشها
Lab:Train Different Data science Classification models using Experiments
تکلیف: آزمایشهایی را برای مدل رگرسیون سهم دوچرخه انجام دهید
Assignment : Perform Experiments for Bike share Regression Model
وظایف تنظیم AI-Hyperparameter Vertex، قابلیت توضیح هوش مصنوعی و نسخهسازی مدل
Vertex AI-Hyperparameter Tuning Jobs, Explainability AI & Model Versioning
مقدمه ای بر تنظیم Hyperparameter در Vertex AI
Introduction to Hyperparameter Tuning on Vertex AI
آزمایشگاه: اجرای تنظیم Hyperparameter برای مدل رگرسیون BikeShare
Lab : Implement Hyperparameter Tuning for BikeShare Regression Model
آزمایشگاه: بررسی اجمالی نتایج و تکالیف
Lab : Result Walkthrough & Assignment Overview
آزمایشگاه: بررسی اجمالی نتایج و تکالیف
Lab : Result Walkthrough & Assignment Overview
آزمایشگاه: استقرار نقطه پایانی مدل با پارامترهای توضیح پذیری
Lab : Deploy Model Endpoint With Explainability Parameters
آزمایشگاه: قابلیت توضیح برای پیشبینیهای آنلاین و تفسیر نتایج
Lab: Execute explainability for online predictions and Interpret results
آزمایشگاه: قابلیت توضیح برای پیشبینیهای آنلاین و تفسیر نتایج
Lab: Execute explainability for online predictions and Interpret results
تکلیف: قابلیت توضیح را برای مدلهای XgBoost انجام دهید
Assignment : Perform Explainability for XgBoost Models
مقدمه ای بر نسخه سازی مدل با استفاده از رجیستری مدل AI Vertex
Introduction to Model Versioning using Vertex AI Model Registry
آزمایشگاه: نسخه های مختلف XgBoost Model را در رجیستری مدل مستقر کنید
Lab : Deploy different versions of XgBoost Model to Model Registry
معرفی Vertex AI FeatureStore
Introduction to Vertex AI FeatureStore
آزمایشگاه: ایجاد اشیاء فروشگاه ویژگی
Lab : Create Feature store objects
آزمایشگاه: دادههای Pandas DF را به فروشگاه ویژگیها وارد کنید
Lab : Ingest Data from Pandas DF into Feature Store
آزمایشگاه: دادهها را از فروشگاه ویژگیهای Vertex AI در Pandas Df بخوانید
Lab : Read Data From Vertex AI Feature Store into Pandas Df
مقدمه ای بر AutoML
Introduction to AutoML
Lab-train و استقرار مدل طبقه بندی با استفاده از AutoML
Lab-Train and Deploy Classification Model using AutoML
آزمایشگاه - آموزش و استقرار مدل رگرسیون با استفاده از AutoML
Lab - Train and Deploy Regression Model using AutoML
هوش مصنوعی مولد در Google Cloud
Generative AI on Google Cloud
مقدمه ای بر هوش مصنوعی مولد
Introduction to Generative AI
مقدمه ای بر مدل های زبان بزرگ - PalM 2
Introduction to Large language models - PaLM 2
کلمات کلیدی و مفاهیم مهم در LLM
Important keywords and concepts in LLM
استودیوی هوش مصنوعی آزمایشگاهی
Lab-Generative AI Studio
آزمایشگاه - LLM را با استفاده از Python و Jupyter Nbk اجرا کنید
Lab - Execute LLM using Python & Jupyter Nbk
آزمایشگاه - مدل LLM طبقه بندی متن را با استفاده از Python و Cloud Run اجرا کنید
Lab - Deploy text classification LLM Model using Python & Cloud Run
Lab-Deploy Document Summary Application با استفاده از Python و Cloud Run
Lab-Deploy Document Summarization Application using Python & Cloud Run
آزمایشگاه- با استفاده از پایتون توضیحات تصویر مد را تولید کنید
Lab- Generate Fashion Image Descriptions using Python
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.
نمایش نظرات