آموزش مدل‌های رتبه‌بندی و مهندسی ویژگی (Feature Engineering) - آخرین آپدیت

دانلود Ranking Models & Feature Engineering

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: از بازیابی کاندیدها به سمت لایه‌های رتبه‌بندی سنگین با دقت بالا پیش بروید که تحت محدودیت‌های شدید تأخیر در سرویس‌دهی آنلاین عمل می‌کنند. این دوره به شما می‌آموزد تا معماری‌های رتبه‌بندی یادگیری عمیق را که توسط پلتفرم‌های سازمانی برای به حداکثر رساندن تعامل بلندمدت کاربران استفاده می‌شود، بسازید و مستقر کنید. شما طرح‌های ویژگی با توان عملیاتی بالا و مجموع‌های غلتان در لحظه (real-time rolling aggregates) را با استفاده از Databricks Unity Catalog Feature Store و Azure Cache for Redis ایجاد خواهید کرد. معماری‌های رتبه‌بندی عمیق، از جمله Wide and Deep، DeepFM، DLRM و Residual DCN را در PyTorch پیاده‌سازی کرده و آن‌ها را برای خروجی‌های چندهدفه در ماتریس‌های ویژگی با کاردینالیتی بالا بهینه می‌کنید. همچنین مدل‌های یادگیری چندوظیفه‌ای را با استفاده از Multi-gate Mixture-of-Experts (MMoE) و Progressive Layered Extraction (PLE) برای مقابله با انتقال منفی و ایجاد تعادل بین سیگنال‌های تعاملی رقیب مانند ذخیره‌ها (Saves)، زمان توقف (Dwell Time) و اشتراک‌های خصوصی پیاده‌سازی خواهید کرد؛ این شامل پیاده‌سازی معماری شبکه رتبه‌بندی چندوظیفه‌ای و خط لوله آموزش جامع مستقیماً در PyTorch است. پس از آموزش، مدل‌های خود را با استفاده از Azure ML SDK v2 در ریجستری مدل Azure ML ثبت و نسخه‌بندی کرده و Azure Machine Learning را در کنار Unity Catalog و محیط Azure Databricks در جریان استقرار خود ادغام می‌کنید. این دوره برای مهندسان یادگیری ماشین، مهندسان زیرساخت سیستم‌های توصیه و معماران پلتفرم داده که مسئول طراحی لایه‌های امتیازدهی چندهدفه برای بهینه‌سازی ارزش بلندمدت کاربر هستند، طراحی شده است. شما باید با Python، PyTorch، معیارهای ارزیابی اصلی ML آشنا باشید و آشنایی پایه‌ای با Azure Machine Learning و Azure ML SDK v2 داشته باشید.

سرفصل ها و درس ها

مهندسی ویژگی: طراحی طرح بهینه Feature Engineering: Optimized Schema Design

  • چالش ویژگی‌های رتبه‌بندی سنگین The Heavy Ranking Feature Dilemma

  • مدیریت ویژگی‌ها با Databricks Unity Catalog Orchestrating Features with Databricks Unity Catalog

تغذیه ویژگی‌های آنلاین و کشینگ Online Feature Hydration & Caching

رتبه‌بندی عمیق: پیاده‌سازی معماری‌های اصلی Deep Ranking: Implementing Core Architectures

  • فراتر از تلاقی‌های خطی ویژگی‌ها Beyond Linear Feature Crosses

ارزیابی آفلاین و بهینه‌سازی Offline Evaluation & Optimization

  • تحلیل LogLoss، AUC و NDCG Decoding LogLoss, AUC, and NDCG

مقیاس‌بندی تلاقی ویژگی‌ها با DCNv2 Scaling Feature Crossing with DCNv2

  • مشکل انفجار پارامترها The Parameter Explosion Problem

Residual DCN و مدل LiRank لینکدین Residual DCN And LinkedIn's LiRank

کاهش سوگیری و امتیازدهی تمایل معکوس Bias Mitigation and Inverse Propensity Scoring

  • خطرات سوگیری موقعیتی (Position Bias) The Danger of Position Bias

کالیبراسیون امتیاز پیش‌بینی پس از اجرا Post-Hoc Prediction Score Calibration

  • رگرسیون ایزوتونیک در مقابل مقیاس‌بندی پلات Isotonic Regression vs. Platt Scaling

ماژول پروژه: موتور رتبه‌بندی چندوظیفه‌ای Project Module: Multi-Task Ranking Engine

نمایش نظرات

آموزش مدل‌های رتبه‌بندی و مهندسی ویژگی (Feature Engineering)
جزییات دوره
10h 17m
7
(آخرین آپدیت)
5
- از 5
دارد
دارد
دارد
Microsoft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar