لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یک خط لوله یادگیری ماشین AWS برای تشخیص اشیا بسازید
Build an AWS Machine Learning Pipeline for Object Detection
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
از AWS Step Functions + Sagemaker برای ایجاد خط لوله یادگیری ماشینی آماده تولید مقیاس پذیر برای تشخیص پلاستیک استفاده کنید یاد بگیرید چگونه می توانید از مجموعه داده های Open Images V7 Google برای استفاده از هر مجموعه داده سفارشی مورد نظر خود استفاده کنید. ایجاد دامنه های Sagemaker بارگذاری و پخش داده ها در شما محیط Sagemaker نحوه تنظیم نقشهای ایمن IAM در AWS ایجاد الگوریتم تشخیص شی آماده برای تولید استفاده از Pandas, Numpy برای ویژگیها و مهندسی دادهها درک حاشیهنویسیهای تشخیص اشیاء تجسم تصاویر و جعبههای مرزی با Matplotlib بیاموزید که چگونه سیستم فایل الاستیک Sagemaker (EFS) کار میکند استفاده از تشخیص اشیاء ساخته شده در AWS' الگوریتم تشخیص با Transfer Learning نحوه راهاندازی Transfer Learning با VGG-16 و ResNet-50 در AWS یاد بگیرید چگونه تصاویر را در قالب RecordIO ذخیره کنید یاد بگیرید که فرمت RecordIO چیست بدانید فایلهای .lst چیست و چرا به آنها نیاز داریم با Object Detection در AWS نحوه انجام افزایش داده برای تشخیص اشیا را بیاموزید درباره اینکه چگونه میتوانیم دادههای ورودی خود را با تقویت داده دستکاری کنیم، قیمتگذاری AWS را برای SageMaker، توابع مرحلهای، کارهای تبدیل دستهای، Sagemaker EFS و بسیاری موارد دیگر بیاموزید. حافظه، vCPU، GPUS و کرنلها برای وظایف Sagemaker شما نحوه نصب وابستگیها به Sagemaker Notebook Setup Hyperparameter Tuning Jobs در AWS Set up Training Jobs در AWS یاد بگیرید چگونه مدلهای تشخیص اشیا را با امتیاز mAP (میانگین دقت متوسط) ارزیابی کنید. کارهای تنظیم فراپارامتر با جستجوی بیزی بیاموزید که چگونه میتوانید اندازه دسته، دورهها، بهینهسازها (آدام، RMSProp)، مومنتوم، توقف زودهنگام، کاهش وزن، جلوگیری از برازش بیش از حد و موارد دیگر را در AWS مانیتور کردن یک کار آموزشی در زمان واقعی با Metrics پیکربندی کنید. استفاده از Cloudwatch برای به گزارش های مختلف نگاه کنید چگونه مدل خود را در نوت بوک Sagemaker آزمایش کنید بیاموزید که Batch Transformation چیست راه اندازی کارهای تبدیل دسته ای نحوه استفاده از توابع لامبدا ذخیره خروجی ها در سطل S3 آماده سازی آموزش و آزمایش مجموعه داده ها مهندسی داده نحوه ساخت خطوط لوله یادگیری ماشینی آماده تولید پیچیده با توابع مرحله AWS از هر مجموعه داده سفارشی برای ساختن یک مدل تشخیص شی استفاده کنید استفاده از AWS Cloudformation با AWS Step Functions برای راه اندازی خط لوله یاد بگیرید چگونه از خطوط لوله از پیش ساخته شده برای پیکربندی نیازهای خود استفاده کنید یاد بگیرید چگونه می توانید هر خط لوله سفارشی را با توابع Step ایجاد کنید (با همچنین رابط کاربری گرافیکی) نحوه ادغام توابع Lambda با توابع مرحله ای AWS را بیاموزید نحوه ایجاد و مدیریت خط لوله های یادگیری ماشین ناهمزمان را بیاموزید نحوه استفاده از Lambda برای خواندن و نوشتن از بهترین شیوه های S3 AWS استفاده از AWS EventBridge برای راه اندازی کارهای CRON تا به شما بگوید Pipeline چه زمانی باید اجرا کردن نحوه ایجاد خط لوله یادگیری ماشینی سرتاسری را بیاموزید نحوه استفاده از نوت بوک های Sagemaker را در تولید و زمان بندی کارها با آنها بیاموزید طراحی خط لوله یادگیری ماشینی را بیاموزید یک برنامه وب پشته ای MERN ایجاد کنید تا با خط لوله یادگیری ماشین ما تعامل داشته باشید نحوه راه اندازی یک تولید پایگاه داده Mongodb آماده برای برنامه وب ما یاد بگیرید چگونه از React، Nextjs، Mongodb، ExpressJs برای ساختن یک برنامه وب استفاده کنید ایجاد و تعامل با فایل های JSON شبکه های عصبی Convolutional را در تولید تکنیک های یادگیری عمیق قرار دهید نحوه پاکسازی حساب AWS پس از اتمام آموزش مدلهای یادگیری ماشین در AWS نحوه استفاده از پردازندههای گرافیکی AWS برای سرعت بخشیدن به مشاغل آموزش یادگیری ماشینی یاد بگیرید که AWS Elastic Container Registry (ECS) چیست و چگونه میتوانید الگوریتمهای یادگیری ماشین را از آن دانلود کنید امنیت AWS بهترین روشها پیش نیازها:لپتاپ با دسترسی به اینترنت AWS اکانت دانش پایتون و یادگیری ماشینی اولیه 20 تا 50 دلار برای AWS خرج کنید اگر می خواهید با من همراه باشید. توجه داشته باشید که همچنان میتوانید بدون پرداخت پول همراه باشید
به دوره نهایی ایجاد یک خط لوله یادگیری ماشینی مقیاس پذیر، ایمن و پیچیده با توابع Sagemaker، Step Functions و Lambda خوش آمدید. در این دوره، ما تمام مراحل لازم برای ایجاد یک خط لوله یادگیری ماشینی قوی و قابل اعتماد، از پیش پردازش داده تا تنظیم هایپرپارامتر برای تشخیص اشیا را پوشش خواهیم داد.
ما ابتدا شما را با اصول اولیه AWS Sagemaker آشنا خواهیم کرد، یک سرویس کاملاً مدیریت شده که به توسعه دهندگان و دانشمندان داده توانایی ساخت، آموزش و استقرار سریع و آسان مدل های یادگیری ماشین را می دهد. نحوه استفاده از Sagemaker برای پیش پردازش و آماده سازی داده های خود برای یادگیری ماشین و همچنین نحوه ساخت و آموزش مدل های یادگیری ماشین خود را با استفاده از الگوریتم های داخلی Sagemaker خواهید آموخت.
در مرحله بعد، به توابع مرحله AWS می پردازیم، که به شما امکان می دهد مراحل مختلف خط لوله یادگیری ماشین خود را هماهنگ و مدیریت کنید. نحوه ایجاد خط لوله یادگیری ماشینی مقیاس پذیر، ایمن و قوی با استفاده از توابع مرحله، و نحوه استفاده از توابع Lambda برای راه اندازی مراحل مختلف خط لوله خود را یاد خواهید گرفت.
علاوه بر این، موضوعات مرتبط با یادگیری عمیق، از جمله نحوه استفاده از شبکههای عصبی برای تشخیص اشیا، و نحوه استفاده از تنظیم فراپارامتر برای بهینهسازی مدلهای یادگیری ماشین شما برای موارد استفاده مختلف را پوشش خواهیم داد.
در نهایت، ما شما را از طریق ایجاد یک برنامه وب که با خط لوله یادگیری ماشین شما تعامل خواهد داشت، راهنمایی خواهیم کرد. شما یاد خواهید گرفت که چگونه از React، Next.js، Express و MongoDB برای ساختن یک برنامه وب استفاده کنید که به کاربران امکان می دهد داده ها را به خط لوله شما ارسال کنند، نتایج را مشاهده کنند و پیشرفت کار خود را پیگیری کنند.
در پایان این دوره، درک عمیقی از نحوه ایجاد یک خط لوله یادگیری ماشین مقیاس پذیر، ایمن و پیچیده با استفاده از توابع Sagemaker، Step Functions و Lambda خواهید داشت. همچنین مهارتهای ساخت یک برنامه وب را خواهید داشت که میتواند با خط لوله شما تعامل داشته باشد و فرصتهای جدیدی را برای نحوه استفاده از مدلهای یادگیری ماشینی برای حل مشکلات دنیای واقعی باز میکند.
سرفصل ها و درس ها
چیزی که ما می سازیم
What we are Building
بیایید به پروژه پایانی خود نگاه کنیم
Let's look at our End Project
شروع با AWS و دریافت مجموعه داده ما
Getting Started with AWS and Getting our Dataset
کد منبع دوره
Source Code for the Course
راه اندازی IAM User
Setting up IAM User
توضیح در مورد AWS S3
Clarification about AWS S3
دریافت داده برای پروژه ما
Getting Data for our Project
دریافت مجموعه داده قسمت 1
Getting dataset Part 1
دریافت مجموعه داده قسمت 2
Getting dataset Part 2
دریافت مجموعه داده قسمت 3
Getting dataset Part 3
دریافت مجموعه داده قسمت 4
Getting dataset Part 4
راه اندازی AWS SageMaker
Setting up AWS SageMaker
دامنه SageMaker ایجاد کنید
Create SageMaker Domain
نوت بوک SageMaker Studio را ایجاد کنید
Create SageMaker Studio Notebook
آموزش توقف و راه اندازی نوت بوک های SageMaker
Learning how to Stop and Start SageMaker Notebooks
هسته نوت بوک SageMaker Studio ما را دوباره راه اندازی می کنیم
Restarting our SageMaker Studio Notebook Kernel
آپلود و استخراج داده ها در SageMaker
Upload and Extract Data in SageMaker
حذف فایل های استفاده نشده
Deleting Unused Files
تجزیه و تحلیل داده های اکتشافی
Exploratory Data Analysis
بارگیری و درک داده های ما
Loading and Understanding our Data
شمارش کل تصاویر و گرفتن شناسه های تصویر
Counting total Images and getting Image ids
دریافت شناسه نام کلاس
Getting Classname Identifier
نگاهی به نمونه های تصادفی از Dataframe ما
Looking at Random Samples from our Dataframe
درک حاشیه نویسی
Understanding Annotations
تجسم تصاویر تصادفی قسمت 1
Visualize Random Images Part 1
تجسم تصاویر تصادفی قسمت 2
Visualise Random Images Part 2
تفاوت Matplotlib بین ()plt.show و ()plt.imshow
Matplotlib difference between plt.show() and plt.imshow()
تجسم چند تصویر همزمان
Visualising Multiples Images at Once
تصحیح عملکرد ما
Correcting our Function
تجسم جعبه های مرزی قسمت 1
Visualising Bounding Boxes Part 1
تجسم جعبه های مرزی قسمت 2 (درس تئوری)
Visualising Bounding Boxes Part 2 (Theory Lesson)
تجسم تصاویر تصادفی با جعبه های محدود قسمت 1
Visualising Random Images with Bounding Boxes Part 1
بیانیه چاپی اشتباه
Wrong Print Statement
تجسم تصاویر تصادفی با جعبه های محدود قسمت 2
Visualising Random Images with Bounding Boxes Part 2
اگر با تجسم داده مشکل دارید، این درس را بخوانید
Read this Lesson if you have issues with Data Visualization
تمیز کردن و تقسیم داده های ما
Cleaning and Splitting our Data
Train and Validation Dataframes را تمیز کنید
Clean our Train and Validation Dataframes
Dataframe را به Test و Train تقسیم کنید
Split Dataframe into Test and Train
دریافت شناسه تصاویر
Get Images IDs
درس تئوری تقسیم شناسه ها
Splitting IDs Theory Lesson
توضیح در مورد ویدیوی بعدی
Explanation Regarding Next video
انتقال تصاویر به پوشه های مناسب
Moving Images to Appropriate Folders
شمارش کنید که چند تصویر آموزشی و آزمایشی داریم
Count how many Train and Test Images we have
تأیید اینکه تصاویر ما به درستی منتقل شده اند، قسمت 1
Verifying that our Images have been moved Properly Part 1
تأیید اینکه تصاویر ما به درستی منتقل شده اند، قسمت 2
Verifying that our Images have been moved Properly Part 2
مهندسی تاریخ
Date Engineering
با استفاده از Mxnet
Using Mxnet
اطلاعات اضافی در مورد فرمت RecordIO
Additional Info regarding RecordIO format
با استفاده از Mxnet RecordIO
Using Mxnet RecordIO
اصلاح با توجه به عرض برچسب
Correction Regarding Label width
آماده سازی Dataframe به فرمت RecordIO قسمت 1
Preparing Dataframes to RecordIO format Part 1
آماده سازی Dataframe به فرمت RecordIO قسمت 2
Preparing Dataframes to RecordIO format Part 2
انتقال تصاویر به دایرکتوری صحیح
Moving Images To Correct Directory
توضیح در مورد ویدیوی قبلی
Explanation Regarding the Previous Video
بررسی اینکه همه تصاویر به درستی جابجا شده اند
Verifying that all Images have been Moved Properly
قبل از رفتن به سخنرانی بعدی بخوانید
Read Before Proceeding to the next Lecture
ایجاد فایل های Production .lst (اختیاری)
Creating Production .lst files (Optional)
افزایش داده ها
Data Augmentation
نظریه افزایش داده ها
Data Augmentation Theory
تقویت یک تصویر تصادفی
Augmenting a Random Image
انتقال تصاویر به ساختار پوشه جدید
Moving Images to new Folder structure
تجسم تصاویر تصادفی افزوده شده قسمت 1
Visualising Random Augmented Images Part 1
تجسم تصاویر تصادفی افزوده شده قسمت 2
Visualising Random Augmented Images Part 2
اگر در تجسم تصاویر خود مشکل دارید، این درس را بخوانید
Read this Lesson if you have issues visualising your images
ایجاد تابع افزایش داده قسمت 1
Creating Data Augmentation Function Part 1
ایجاد تابع افزایش داده قسمت 2
Creating Data Augmentation Function Part 2
بررسی تعداد تصاویر قبل از اجرای تابع
Checking Image Counts Before running the Function
ویدئوی اصلاحی در مورد عملکرد ما
Correctional Video regarding our Function
افزایش مجموعه داده های تست و ایجاد فایل های تست lst
Augmenting Test Dataset and Creating test .lst Files
تقویت مجموعه داده قطار و ایجاد فایل lst. قسمت 1
Augmenting Train Dataset and Creating .lst File Part 1
افزایش مجموعه داده قطار و ایجاد فایل lst. قسمت 2
Augmenting Train Dataset and Creating .lst File Part 2
تأیید اینکه افزایش داده کار کرده است
Verifying that Data Augmentation has Worked
راه اندازی و ایجاد شغل آموزشی ما
Setting up and Creating our Training Job
افزایش سهمیه خدمات
Increasing Service Quotas
نصب وابستگی ها و بسته ها
Installing dependencies and Packages
ایجاد فایل های RecordIO ما
Creating our RecordIO Files
در حال آپلود اطلاعات RecordIO در سطل S3 ما
Uploading our RecordIO data to our S3 bucket
دانلود الگوریتم تشخیص شی از AWS ECR
Downloading Object Detection Algorithm from AWS ECR
تنظیم شی برآوردگر ما
Setting up our Estimator Object
راه اندازی Hyperparameters
Setting up Hyperparameters
اطلاعات اضافی برای تنظیم Hyperparameter در AWS
Additional Information for Hyperparameter Tuning in AWS
تنظیم محدوده هایپرپارامتر
Setting up Hyperparameter Ranges
تنظیم Hyperparameter Tuner
Setting up Hyperparameter Tuner
اطلاعات اضافی در مورد mAP (میانگین دقت متوسط)
Additional Information about mAP( mean average precision)
شروع کار آموزشی قسمت 1
Starting the Training Job Part 1
شروع کار آموزشی قسمت 2
Starting the Training Job Part 2
اطلاعات بیشتر در مورد امتیازات mAP
More on mAP Scores
نظارت بر کار آموزشی
Monitoring the Training Job
به کار تنظیم Hyperparameter Finished ما نگاه می کنیم
Looking at our Finished Hyperparameter Tuning Job
تجزیه و تحلیل نتایج شغلی آموزشی
Analysing Training Job Results
استقرار مدل ما در یک نوت بوک
Deploying our Model in a Notebook
ایجاد تابع تجسم برای استنتاج
Creating Visualization Function for Inferences
تست نقطه پایانی ما قسمت 1
Testing our Endpoint Part 1
تست نقطه پایانی قسمت 2
Testing out Endpoint Part 2
تست نقطه پایانی ما از تصاویر تصادفی از اینترنت
Testing our Endpoint from Random Images from the Internet
راه اندازی Batch Transformation
Setting up Batch Transformation
ابتدا Batch Transformation Job را به صورت محلی تنظیم کنید
Setting up Batch Transformation Job locally first
شروع کار تبدیل دسته ای ما
Starting our Batch Transformation Job
تجزیه و تحلیل کار تبدیل دسته ای ما
Analysing our Batch Transformation Job
تجسم نتایج تبدیل دسته ای
Visualising Batch Transformation Results
اگر با تجسم ها مشکل دارید به این درس نگاه کنید
Look at this lesson if you have trouble with the Visualisations
راه اندازی خط لوله یادگیری ماشینی ما
Setting Up Our Machine Learning Pipeline
قبل از تماشای درس بعدی این را بخوانید
Read this Before Watching the Next Lesson
راه اندازی AWS Step Function
Setting up AWS Step Function
بررسی کنید که CloudFormation کار کرده است
Verify that CloudFormation has worked
پیکربندی Batch Transform Lambda Part 1
Configure Batch Transform Lambda Part 1
پیکربندی Batch Transform Lambda Part 2
Configure Batch Transform Lambda Part 2
یودمی یکی از بزرگترین پلتفرمهای آموزشی آنلاین است که به میلیونها کاربر در سراسر جهان امکان دسترسی به دورههای متنوع و کاربردی را فراهم میکند. این پلتفرم امکان آموزش در زمینههای مختلف از فناوری اطلاعات و برنامهنویسی گرفته تا زبانهای خارجی، مدیریت، و هنر را به کاربران ارائه میدهد. با استفاده از یودمی، کاربران میتوانند به صورت انعطافپذیر و بهینه، مهارتهای جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.
یکی از ویژگیهای برجسته یودمی، کیفیت بالای دورهها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد میدهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و میتوانند به بهترین شکل ممکن از آموزشها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرمهای آموزشی آنلاین، به افراد امکان میدهد تا به راحتی و با کیفیت، مهارتهای مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.
نمایش نظرات