آموزش سیستم های یادگیری ماشین تولید

Production Machine Learning Systems

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

آموزش سیستم های یادگیری ماشین تولید
جزییات دوره
2h 43m
67
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Google Cloud
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Google Cloud Google Cloud

ایجاد تحول دیجیتال با آموزش درخواستی

Google Cloud آموزش و گواهینامه های درخواستی را در فناوری های ابری در حال ظهور ارائه می دهد.

Google Cloud با صدها آزمایشگاه، دوره و نشان مهارت، متخصصان را قادر می‌سازد تا مهارت‌های ابری حیاتی را با سرعت خودشان ایجاد کنند. آزمایشگاه‌های عملی این شرکت اعتبارنامه‌های موقتی را به منابع واقعی ابر ارائه می‌دهند، بنابراین افراد می‌توانند Google Cloud را با استفاده از چیز واقعی یاد بگیرند. فراگیران همچنین می توانند با کسب گواهینامه های Google Cloud و/یا نشان های مهارتی که می توانند با شبکه خود به اشتراک بگذارند، تخصص خود را تأیید کنند.

در وب‌سایت رسمی Google Cloud بیشتر بیاموزید.