نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره نحوه پیادهسازی انواع سیستمهای ML تولیدی - آموزش استاتیک، پویا و مداوم را پوشش میدهد. استنتاج استاتیک و پویا؛ و پردازش دسته ای و آنلاین. این دوره نحوه پیاده سازی انواع مختلف سیستم های ML تولیدی را پوشش می دهد - آموزش استاتیک، پویا و مداوم. استنتاج استاتیک و پویا؛ و پردازش دسته ای و آنلاین. شما به سطوح انتزاعی TensorFlow، گزینه های مختلف برای انجام آموزش توزیع شده و نحوه نوشتن مدل های آموزشی توزیع شده با برآوردگرهای سفارشی می پردازید. این دومین دوره از مجموعه یادگیری ماشین پیشرفته در Google Cloud است. پس از اتمام این دوره، در دوره آموزشی Image Understanding with TensorFlow در Google Cloud ثبت نام کنید.
سرفصل ها و درس ها
مقدمه ای بر یادگیری ماشینی پیشرفته در Google Cloud
Introduction to Advanced Machine Learning on Google Cloud
-
یادگیری ماشینی پیشرفته در Google Cloud
Advanced Machine Learning on Google Cloud
-
خوش آمدی
Welcome
سیستم های ML تولید معماری
Architecting Production ML Systems
-
معماری سیستم های ML
Architecting ML systems
-
استخراج، تجزیه و تحلیل و آماده سازی داده ها
Data extraction, analysis, and preparation
-
آموزش مدل، ارزیابی و اعتبارسنجی
Model training, evaluation, and validation
-
مدل آموزش دیده، خدمات پیش بینی، و نظارت بر عملکرد
Trained model, prediction service, and performance monitoring
-
تصمیمات طراحی آموزشی
Training design decisions
-
ارائه تصمیمات طراحی
Serving design decisions
-
طراحی از ابتدا
Designing from scratch
-
با استفاده از Vertex AI
Using Vertex AI
-
مقدمه آزمایشگاه: پیش بینی داده های ساخت یافته
Lab introduction: Structured data prediction
-
Pluralsight: شروع به کار با GCP و Qwiklabs
Pluralsight: Getting Started with GCP and Qwiklabs
-
آزمایشگاه: پیش بینی داده های ساختاریافته با استفاده از پلتفرم Vertex AI
Lab: Structured data prediction using Vertex AI Platform
-
مطالب خوانده شده: معماری سیستم های ML تولید
Readings: Architecting production ML systems
طراحی سیستم های ML سازگار
Designing Adaptable ML Systems
-
مقدمه
Introduction
-
انطباق با داده ها
Adapting to data
-
تغییر توزیع ها
Changing distributions
-
آزمایشگاه: تطبیق با داده ها
Lab: Adapting to data
-
تصمیمات درست و غلط
Right and wrong decisions
-
خرابی سیستم
System failure
-
رانش مفهومی
Concept drift
-
اقدامات برای کاهش انحراف مفهوم
Actions to mitigate concept drift
-
اعتبارسنجی داده های TensorFlow
TensorFlow data validation
-
مؤلفه های اعتبارسنجی داده های TensorFlow
Components of TensorFlow data validation
-
مقدمه آزمایشگاه: مقدمه ای بر اعتبارسنجی داده های TensorFlow
Lab Introduction: Introduction to TensorFlow Data Validation
-
آزمایشگاه: مقدمه ای بر اعتبارسنجی داده های TensorFlow
Lab: Introduction to TensorFlow Data Validation
-
مقدمه آزمایشگاه: تجسم های پیشرفته با اعتبارسنجی داده های TensorFlow
Lab Introduction: Advanced Visualizations with TensorFlow Data Validation
-
آزمایشگاه: تجسمهای پیشرفته با اعتبارسنجی دادههای TensorFlow
Lab: Advanced Visualizations with TensorFlow Data Validation
-
کاهش انحراف در خدمت آموزش از طریق طراحی
Mitigating training-serving skew through design
-
مقدمه آزمایشگاه: ارائه پیش بینی های ML به صورت دسته ای و واقعی
Lab Introduction: Serving ML Predictions in Batch and Real Time
-
آزمایشگاه: ارائه پیشبینیهای ML به صورت دستهای و زمان واقعی
Lab: Serving ML Predictions in Batch and Real Time
-
بررسی آزمایشگاهی: ارائه پیشبینیهای ML به صورت دستهای و زمان واقعی
Lab Debrief: Serving ML Predictions in Batch and Real Time
-
تشخیص مدل تولید
Diagnosing a production model
-
مطالب خواندنی: طراحی سیستم های ML سازگار
Readings: Designing adaptable ML systems
طراحی سیستم های ML با کارایی بالا
Designing High-Performance ML Systems
-
آموزش
Training
-
پیش بینی ها
Predictions
-
چرا آموزش توزیع شده مورد نیاز است
Why distributed training is needed
-
معماری های آموزشی توزیع شده
Distributed training architectures
-
TensorFlow استراتژی های آموزشی را توزیع کرد
TensorFlow distributed training strategies
-
استراتژی آینه ای
Mirrored strategy
-
استراتژی آینه کاری چند کارگری
Multi-worker mirrored strategy
-
استراتژی TPU
TPU strategy
-
استراتژی سرور پارامتر
Parameter server strategy
-
معرفی آزمایشگاه: آموزش توزیع شده با کراس
Lab Introduction: Distributed Training with Keras
-
آزمایشگاه: آموزش توزیع شده با کراس
Lab: Distributed Training with Keras
-
معرفی آزمایشگاه: آموزش توزیع شده با استفاده از GPU در پلتفرم Cloud AI
Lab Introduction: Distributed Training using GPUs on Cloud AI Platform
-
آزمایشگاه: آموزش توزیع شده با استفاده از GPU در پلتفرم Cloud AI
Lab: Distributed Training using GPUs on Cloud AI Platform
-
آموزش مجموعه داده های بزرگ با tf.data API
Training on large datasets with tf.data API
-
معرفی آزمایشگاه: خطوط لوله داده با سرعت TPU
Lab Introduction: TPU-speed Data Pipelines
-
آزمایشگاه: خطوط لوله داده با سرعت TPU
Lab: TPU-speed Data Pipelines
-
استنتاج
Inference
-
خواندنی ها: طراحی سیستم های ML با کارایی بالا
Readings: Designing high-performance ML systems
ساخت سیستم های ML ترکیبی
Building Hybrid ML Systems
-
مقدمه
Introduction
-
مقدمه
Introduction
-
یادگیری ماشین در ابر هیبریدی
Machine Learning on Hybrid Cloud
-
Kubeflow
Kubeflow
-
معرفی آزمایشگاه: خطوط لوله Kubeflow با پلتفرم هوش مصنوعی
Lab Introduction: Kubeflow Pipelines with AI Platform
-
آزمایشگاه: استفاده از خطوط لوله Kubeflow با پلتفرم هوش مصنوعی
Lab: Using Kubeflow Pipelines with AI Platform
-
TensorFlow Lite
TensorFlow Lite
-
بهینه سازی TensorFlow برای موبایل
Optimizing TensorFlow for mobile
-
خلاصه
Summary
-
قرائت: سیستم های ترکیبی ML
Readings: Hybrid ML systems
خلاصه
Summary
-
خلاصه دوره
Course summary
-
تولید سیستم های یادگیری ماشینی - خواندن
Production Machine learning systems - readings
-
تمام سوالات و پاسخ های مسابقه
All quiz questions and answers
منابع دوره
Course Resources
-
منابع دوره سیستم های ML تولید معماری - قسمت 1
Architecting Production ML Systems Course Resources - Part 1
-
منابع دوره سیستم های ML تولید معماری - قسمت 2
Architecting Production ML Systems Course Resources - Part 2
نمایش نظرات