آموزش AWS: آموزش، بهینه‌سازی و استقرار مدل‌های یادگیری ماشین - آخرین آپدیت

آموزش مدل، الگوریتم‌ها و تکنیک‌های استنتاج Model Training, Algorithms & Inference Techniques

• الگوریتم‌های پیش‌فرض SageMaker SageMaker built-in algorithms

• الگوریتم Linear Learner در SageMaker Linear Learner in SageMaker

• الگوریتم XGBoost در SageMaker XGBoost in SageMaker

• الگوریتم LightGBM در SageMaker LightGBM in SageMaker

• الگوریتم k-Nearest Neighbors (k-NN) K-Nearest Neighbors (k-NN) Algorithm

• آموزش مدل (Epoch، Batch Size، Steps) Model Training (Epoch, Batch Size, Steps)

• الگوریتم LightGBM LightGBM Algorithm

• دموی آموزش مدل‌های یادگیری ماشین Train Machine Learning models - Demo

• آموزش مدل‌های یادگیری ماشین: تقسیم داده‌ها، آموزش و تست Train Machine Learning models - Split the Dataset - Train - Test

• استنتاج بلادرنگ در مقابل دسته‌ای Real-Time vs. Batch Inference

بهینه‌سازی مدل، ارزیابی و تنظیم با SageMaker Model Optimization, Evaluation & Tuning with SageMaker

• دیباگر مدل SageMaker SageMaker Model Debugger

• آزمایش‌های SageMaker SageMaker Experiments

• تکنیک‌های اعتبارسنجی متقاطع (Cross Validation) Cross Validation techniques

• تنظیم هایپرپارامتر (جستجوی تصادفی، بهینه‌سازی بیزی) Hyperparameter Tuning (Random Search, Bayesian Optimization)

• تکنیک‌های ترکیب مدل (Stacking, Boosting) Model Ensembling Techniques (Stacking, Boosting)

• مدیریت نسخه‌های مدل با SageMaker Model Registry Managing Model Versions with SageMaker Model Registry

• تنظیم خودکار مدل در SageMaker Sagemaker Automatic Model Tuning

• روش‌های شناسایی بیش‌برازش (Overfitting) و کم‌برازش (Underfitting) Methods to identify model overfitting and underfitting

• جلوگیری از بیش‌برازش و کم‌برازش Preventing Overfitting & Underfitting

زیرساخت مقیاس‌پذیر و استقرار خودکار یادگیری ماشین در AWS Scalable Infrastructure & Automated ML Deployment on AWS

• سرویس Amazon ECS Amazon ECS

• سرویس Amazon EKS Amazon EKS

• سرویس AWS Lambda AWS Lambda

• سرویس AWS CloudFormation AWS CloudFormation

• سیاست‌های مقیاس‌پذیری خودکار برای بارهای کاری ML AWS Auto Scaling Policies for ML Workloads

• انتخاب منابع پردازشی SageMaker (CPU در مقابل GPU) SageMaker compute instances (Compute Resource Selection (CPU vs. GPU)

• انواع Endpoint در SageMaker (بدون سرور، ناهمگام، چندمدله) SageMaker Endpoint Types (Serverless, Asynchronous, Multi-Model)

• ارکستراسیون گردش‌کار: Apache Airflow و SageMaker Pipelines Workflow Orchestrator: Apache Airflow and SageMaker Pipelines

• اصول CI/CD در گردش‌کارهای یادگیری ماشین CI/CD Principles in ML Workflows