آموزش معماری مدل‌های ML آماده تولید با استفاده از Google Cloud ML Engine

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

• بررسی اجمالی دوره Course Overview

معرفی Google Cloud ML Engine Introducing Google Cloud ML Engine

• نمای کلی ماژول Module Overview

• پیش نیازها و رئوس مطالب دوره Prerequisites and Course Outline

• معرفی Google Cloud ML Engine Introducing Google Cloud ML Engine

• ML Engine و ML Frameworks ML Engine and ML Frameworks

• ساختار بسته پایتون Python Package Structure

• آموزش و استقرار مدل ها Training and Deploying Models

• قیمت گذاری موتور ML: سطوح مقیاس و واحدهای آموزشی ML Engine Pricing: Scale Tiers and Training Units

• قیمت گذاری موتور ML: پیش بینی آنلاین و دسته ای ML Engine Pricing: Online and Batch Prediction

استقرار مدل های XGBoost در Cloud ML Engine Deploying XGBoost Models to Cloud ML Engine

• نمای کلی ماژول Module Overview

• پیاده سازی مدل ها در XGBoost Implementing Models in XGBoost

• فعال کردن API های موتور ML، ایجاد کلیدهای حساب سرویس و سطل های ذخیره سازی Enabling ML Engine APIs, Creating Service Account Keys and Storage Buckets

• پیاده سازی یک مدل ساده XGBoost در پایتون Implementing a Simple XGBoost Model in Python

• مدل XGBoost: قطار محلی XGBoost Model: Train Locally

• مدل XGBoost: قطار روی ابر XGBoost Model: Train on the Cloud

• مدل XGBoost: نتایج را بررسی کنید XGBoost Model: Examine Results

• مدل XGBoost: استقرار با استفاده از کنسول وب XGBoost Model: Deploy Using the Web Console

• مدل XGBoost: دسترسی با استفاده از کتابخانه های پایتون XGBoost Model: Access Using Python Libraries

استقرار مدل های Scikit-Learn در Cloud ML Engine Deploying Scikit-learn Models to Cloud ML Engine

• نمای کلی ماژول Module Overview

• پیاده سازی یک مدل رگرسیون ساده با استفاده از Scikit-learn در پایتون Implementing a Simple Regression Model Using Scikit-learn in Python

• مدل Scikit-Learn: Train on the Cloud Scikit-learn Model: Train on the Cloud

• مدل Scikit-learn: استقرار با استفاده از ابزار خط فرمان gcloud Scikit-learn Model: Deploy Using the gcloud Command Line Utility

• مدل Scikit-Learn: به اشتراک گذاری مدل با سایر کاربران با استفاده از کنترل دسترسی مبتنی بر نقش Scikit-learn Model: Share Model with Other Users Using Role Based Access Control

• ساخت و آموزش مدل Scikit-Learn در Kaggle Build and Train a Scikit-learn Model on Kaggle

• استقرار مدل در محل با استفاده از موتور ML Deploy On-premise Model Using ML Engine

• خلاصه Summary

استقرار مدل‌های TensorFlow در موتور Cloud ML Deploying TensorFlow Models to Cloud ML Engine

• نمای کلی ماژول Module Overview

• موتور ML و جریان تانسور ML Engine and Tensor Flow

• تنظیم فراپارامتر Hyperparameter Tuning

• پیاده سازی task.py برای آموزش توزیع شده Implementing task.py for Distributed Training

• پیاده سازی model.py برای طبقه بندی با استفاده از برآوردگرهای TensorFlow Implementing model.py for Classification Using TensorFlow Estimators

• مدل TensorFlow: آموزش محلی و روی ابر TensorFlow Model: Train Locally and on the Cloud

• مدل TensorFlow: شبیه سازی آموزش توزیع شده، اجرای آموزش توزیع شده با چندین کارگر TensorFlow Model: Simulate Distributed Training, Run Distributed Training with Multiple Workers

• مدل TensorFlow: تنظیم فراپارامتر TensorFlow Model: Hyperparameter Tuning

• مدل TensorFlow: پیش‌بینی‌های آنلاین و دسته‌ای TensorFlow Model: Online and Batch Predictions

• خلاصه و مطالعه بیشتر Summary and Further Study