آموزش ساخت مدل های یادگیری عمیق بر روی Databricks

بررسی اجمالی دوره Course Overview

• بررسی اجمالی دوره Course Overview

معرفی MLflow در Databricks Introducing MLflow on Databricks

• پیش نیازها و رئوس مطالب دوره Prerequisites and Course Outline

• زمان اجرا یادگیری ماشین Databricks The Databricks Machine Learning Runtime

• معرفی MLflow Introducing MLflow

پیاده سازی مدل های یادگیری عمیق با استفاده از TensorFlow و Keras Implementing Deep Learning Models Using TensorFlow and Keras

• بررسی اجمالی سریع TensorFlow و Keras Quick Overview of TensorFlow and Keras

• نسخه ی نمایشی: تنظیم محیط Databricks Demo: Setting up the Databricks Environment

• نسخه ی نمایشی: کاوش و پیش پردازش داده ها Demo: Exploring and Preprocessing Data

• نسخه ی نمایشی: آموزش یک مدل رگرسیون با استفاده از TensorFlow Demo: Training a Regression Model Using TensorFlow

• نسخه ی نمایشی: Autologging پارامترهای مدل Demo: Autologging Model Parameters

• نسخه ی نمایشی: مقایسه اجرای چند مدل Demo: Comparing Multiple Model Runs

• نسخه ی نمایشی: استفاده از Bamboolib برای بارگیری و کاوش داده ها Demo: Using Bamboolib for Loading and Exploring Data

• نسخه ی نمایشی: پاک کردن داده ها با استفاده از Bamboolib - I Demo: Data Cleaning Using Bamboolib - I

• نسخه ی نمایشی: پاک کردن داده ها با استفاده از Bamboolib - II Demo: Data Cleaning Using Bamboolib - II

• نسخه ی نمایشی: پیش پردازش داده ها برای یادگیری عمیق Demo: Preprocessing Data for Deep Learning

• نسخه ی نمایشی: آموزش مدل های متعدد با استفاده از اجرای چندگانه Demo: Training Multiple Models Using Multiple Runs

• نسخه ی نمایشی: ثبت مدل ها و مشخص کردن مراحل Demo: Registering Models and Specifying Stages

• نسخه ی نمایشی: ایجاد یک جدول دلتا برای استنتاج دسته ای Demo: Creating a Delta Table for Batch Inference

• نسخه ی نمایشی: استفاده از مدل برای استنتاج دسته ای Demo: Using Model for Batch Inference

پیاده سازی مدل های یادگیری عمیق با استفاده از PyTorch Implementing Deep Learning Models Using PyTorch

• مروری سریع بر PyTorch A Quick Overview of PyTorch

• نسخه ی نمایشی: پیش پردازش داده ها برای طبقه بندی Demo: Preprocessing Data for Classification

• نسخه ی نمایشی: آموزش یک مدل PyTorch با استفاده از ردیابی MLflow Demo: Training a PyTorch Model Using MLflow Tracking

• نسخه ی نمایشی: از سرویس کلاسیک برای ارائه پیش بینی های مدل استفاده کنید Demo: Use Classic Serving to Serve Model Predictions

• نسخه ی نمایشی: بارگیری داده های تصویر برای طبقه بندی Demo: Loading Image Data for Classification

• نسخه ی نمایشی: آموزش یک مدل طبقه بندی تصویر PyTorch Demo: Training a PyTorch Image Classification Model

• هرود برای آموزش توزیع شده Horovod for Distributed Training

• نسخه ی نمایشی: تنظیم توابع برای آموزش تک نود Demo: Setting up Functions for Single Node Training

• نسخه ی نمایشی: اجرای آموزش توزیع شده با استفاده از دونده Horovod Demo: Performing Distributed Training Using the Horovod Runner

تنظیم فراپارامتر با استفاده از Hyperopt Hyperparameter Tuning Using Hyperopt

• آشنایی با فراپارامترها Understanding Hyperparameters

• Hyperopt برای تنظیم Hyperparameter Hyperopt for Hyperparameter Tuning

• نسخه ی نمایشی: تنظیم Hyperparameter با استفاده از Hyperopt Demo: Hyperparameter Tuning Using Hyperopt

• نسخه ی نمایشی: آموزش مدل با بهترین پارامترها Demo: Training the Model with the Best Parameters

• خلاصه و مطالعه بیشتر Summary and Further Study