آموزش یادگیری ماشین با Databricks و MLflow - آخرین آپدیت

مبانی یادگیری ماشین در Databricks Databricks ML Foundations

• بحران بازتولیدپذیری The Reproducibility Crisis

• بررسی عمیق ردیابی در MLflow MLflow Tracking Deep Dive

• ردیابی آزمایش‌های از راه دور Remote Experiment Tracking

• سناریوهای سرور ردیابی Tracking Server Scenarios

• ثبت خودکار در Databricks Databricks Autologging

• از DBFS تا AutoML DBFS to AutoML

• دموی کلاسترهای اسپارک Spark Clusters Demo

• نوت‌بوک‌های Databricks Databricks Notebooks

• کار با داده‌ها در Databricks Working with Data in Databricks

• آشنایی با PySpark PySpark Introduction

عملیات یادگیری ماشین (MLOps) در محیط عملیاتی Production MLOps

• پله‌های بلوغ MLOps The MLOps Maturity Staircase

• چرا MLOps Why MLOps

• سلسله‌مراتب نیازهای MLOps MLOps Hierarchy of Needs

• مدل بلوغ MLOps MLOps Maturity Model

• ثبت، معرفی و استقرار مدل‌ها Log, Register & Deploy Models

• رجیستری مدل در Unity Catalog Unity Catalog Model Registry

• نقاط اتصال سرویس‌دهی مدل Model Serving Endpoints

• MLOps جامع در Databricks End-to-End MLOps on Databricks

• خط لوله جامع یادگیری ماشین End-to-End ML Pipeline

MLOps سازمانی و هوش مصنوعی حاکمیتی Enterprise MLOps & Sovereign AI

• MLflow متن‌باز Open-Source MLflow

• فضاهای کاری و مخازن Workspaces and Repos