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

نمایش نظرات

آموزش عملیات یادگیری ماشین: Google Cloud - علم داده دنیای واقعی
جزییات دوره
6 hours
88
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
190
4.9 از 5
دارد
دارد
دارد
No Latency
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

No Latency No Latency

ابر/مهندسی داده/تحلیل/معماری