مشکل زیرساخت شبکه و افت سرعت کاملاً برطرف شده است. در حال حاضر فعالسازی و آمادهسازی دورهها در حال انجام است. از صبر و شکیبایی شما سپاسگزاریم.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
نمایش نظرات