آموزش استقرار و سرویس‌دهی مدل‌های یادگیری ماشین - آخرین آپدیت

دانلود Model Deployment and Serving

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: استقرار مدل‌های یادگیری ماشین گامی حیاتی در چرخه حیات هوش مصنوعی است، اما با چالش‌های منحصر‌به‌فردی روبروست که با استقرار نرم‌افزارهای سنتی متفاوت است. در این دوره آموزشی با عنوان «استقرار و سرویس‌دهی مدل»، شما یاد می‌گیرید که چگونه مدل‌های یادگیری ماشین را به‌طور مؤثر در محیط‌های عملیاتی (Production) مستقر، سرویس‌دهی و مدیریت کنید. ابتدا تفاوت‌های بنیادی بین استقرار مدل و استقرار نرم‌افزاری سنتی را بررسی کرده و با استراتژی‌های مختلفی نظیر استقرار یک‌باره، دسته‌ای (Batch)، آنی (Real-time) و استقرار در لبه (Edge) آشنا می‌شوید. سپس به تحلیل معماری‌های سرویس‌دهی مدل پرداخته و رویکردهای مختلف از جمله استقرار مبتنی بر ابر (Cloud)، محلی (On-premises)، بدون سرور (Serverless) و کانتینری را با هم مقایسه می‌کنیم. در نهایت، با پیاده‌سازی یک مدل پایه با استفاده از پلتفرم‌های ابری مانند AWS SageMaker و راه‌اندازی خط لوله‌های CI/CD برای تحویل مقیاس‌پذیر و خودکار مدل‌های ML، تجربه عملی کسب خواهید کرد. در پایان این دوره، شما مهارت و دانش لازم برای استقرار با اعتمادبه‌نفس مدل‌های یادگیری ماشین، بهینه‌سازی عملکرد سرویس‌دهی و پیاده‌سازی مکانیسم‌های نظارتی و هشداردهنده برای تضمین پایداری در محیط‌های عملیاتی را به دست خواهید آورد.

سرفصل ها و درس ها

مبانی استقرار و سرویس‌دهی مدل Foundations of Model Deployment and Serving

  • مقدمه‌ای بر استقرار مدل Introduction to Model Deployment

  • استراتژی‌های استقرار برای مدل‌های ML Deployment Strategies for ML Models

  • درک معماری‌های سرویس‌دهی مدل Understanding Model Serving Architectures

  • استراتژی استقرار و سرویس‌دهی Deployment and Serving Strategy

زیرساخت و استقرار مدل Model Deployment and Infrastructure

  • استقرار ابری در مقابل استقرار محلی Cloud vs. On-premises Deployment

  • سرویس‌دهی بدون سرور در مقابل کانتینری Serverless vs. Container-based Serving

  • دمو: استقرار مدل با استفاده از AWS SageMaker Demo: Deploying a Model Using AWS SageMaker

استراتژی‌های استقرار مقیاس‌پذیر ML Scalable ML Deployment Strategies

  • مقدمه‌ای بر استراتژی‌های استقرار ML Introduction to ML Deployment Strategies

  • الگوهای استقرار برای مدل‌های ML Deployment Patterns for ML Models

  • مانیتورینگ و سیستم هشدار در استقرار ML Monitoring and Alerting in ML Deployments

  • پیاده‌سازی CI/CD برای مدل‌های ML Implementing CI/CD for ML Models

نمایش نظرات

آموزش استقرار و سرویس‌دهی مدل‌های یادگیری ماشین
جزییات دوره
58m
11
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
5
از 5
دارد
دارد
دارد
Yasir Khan
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Yasir Khan Yasir Khan

معامله گر فعال فارکس