آموزش مهندسی یادگیری ماشین ابری و MLOps - آخرین آپدیت

دانلود Cloud Machine Learning Engineering and MLOps

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: به چهارمین دوره از تخصص ساخت راهکارهای رایانش ابری در مقیاس بزرگ خوش آمدید! در این دوره، شما مفاهیم رایانش ابری و مهندسی داده‌های معرفی شده در سه دوره اول را گسترش داده و مهندسی یادگیری ماشین (Machine Learning Engineering) را در پروژه‌های واقعی به کار می‌گیرید. ابتدا، برنامه‌های مهندسی یادگیری ماشین را توسعه داده و از بهترین متدهای توسعه نرم‌افزار برای خلق اپلیکیشن‌های ML استفاده خواهید کرد. سپس، یاد می‌گیرید که چگونه از AutoML برای حل مسائل به‌صورت بهینه‌تر نسبت به رویکردهای سنتی یادگیری ماشین استفاده کنید. در نهایت، به موضوعات نوظهور در یادگیری ماشین از جمله MLOps، یادگیری ماشین لبه (Edge ML) و APIهای هوش مصنوعی خواهید پرداخت. این دوره برای مبتدیان و دانشجویان سطح متوسط که علاقه‌مند به کاربرد رایانش ابری در علوم داده، یادگیری ماشین و مهندسی داده هستند، ایده‌آل است. پیش‌نیاز این دوره داشتن مهارت‌های مقدماتی در لینوکس و مهارت‌های متوسط در زبان پایتون است. در پروژه نهایی این دوره، شما یک اپلیکیشن وب با Flask خواهید ساخت که پیش‌بینی‌های مدل یادگیری ماشین را ارائه می‌دهد.

سرفصل ها و درس ها

شروع کار با مهندسی یادگیری ماشین Getting Started with Machine Learning Engineering

  • معرفی مدرس Instructor Introduction

  • معرفی دوره Course Introduction

  • راهنمای شروع آزمایشگاه Lab Onboarding

  • بررسی کلی پروژه دوره چهارم Course 4 Project Overview

  • مقدمه‌ای بر مهندسی یادگیری ماشین Introduction to Machine Learning Engineering

  • نمای کلی مهندسی یادگیری ماشین Machine Learning Engineering Overview

  • معماری مهندسی یادگیری ماشین Machine Learning Engineering Architecture

  • مقدمه‌ای بر میکروسرویس‌های یادگیری ماشین Introduction to Machine Learning Microservices

  • بررسی کلی میکروسرویس‌های یادگیری ماشین Machine Learning Microservices Overview

  • مقایسه معماری یکپارچه در مقابل میکروسرویس Monolithic versus Microservice

  • مقدمه‌ای بر تحویل مداوم برای یادگیری ماشین Introduction to Continuous Delivery for Machine Learning

  • نمای کلی تحویل مداوم در یادگیری ماشین Continuous Delivery for Machine Learning Overview

  • دریفت داده (Data Drift) چیست؟ What is Data Drift?

  • استقرار مداوم اپلیکیشن ML با Flask Continuously Deploy Flask ML Application

  • سرویس AWS App Runner: تحویل مداوم PaaS سطح بالا AWS App Runner: High-Level PaaS Continuous Delivery

استفاده از AutoML Using AutoML

  • مقدمه‌ای بر AutoML Introduction to AutoML

  • AutoML چیست؟ What is AutoML?

  • بینایی ماشین با AutoML AutoML Computer Vision

  • مقدمه‌ای بر No Code و Low Code Introduction to No Code/Low Code

  • AutoML بدون کد/کم‌کد: بخش اول No Code/Low Code AutoML: Part 1

  • AutoML بدون کد/کم‌کد: بخش دوم No Code/Low Code AutoML: Part 2

  • استفاده از Create ML اپل برای AutoML Apple Create ML AutoML

  • مقدمه‌ای بر Ludwig AutoML Introduction to Ludwig AutoML

  • Ludwig AutoML چیست؟ What is Ludwig AutoML?

  • بررسی عمیق Ludwig AutoML Ludwig AutoML Deep Dive

  • مثال‌های عملی از Ludwig AutoML Ludwig AutoML By Example

  • مقدمه‌ای بر Cloud AutoML Introduction to Cloud AutoML

  • Cloud AutoML چیست؟ What is Cloud AutoML?

  • بررسی عمیق Cloud AutoML Cloud AutoML Deep Dive

  • سخنران مهمان: آلفردو دزا Guest Speaker: Alfredo Deza

  • مقدمه‌ای بر Azure Machine Learning Studio Introduction to Azure Machine Learning Studio

  • ساخت مجموعه داده در Azure Machine Learning Studio Create a Dataset in Azure Machine Learning Studio

  • اجرای ML خودکار در Azure Machine Learning Studio Automated ML Run in Azure Machine Learning Studio

  • آزمایش‌ها در Azure Machine Learning Studio Experiments in Azure Machine Learning Studio

  • استقرار یک ماژول در Azure Machine Learning Studio Deploy a Module in Azure Machine Learning Studio

  • تست نقاط انتهایی (Endpoints) در Azure Machine Learning Studio Test Endpoints in Azure Machine Learning Studio

موضوعات نوظهور در یادگیری ماشین Emerging Topics in Machine Learning

  • مقدمه‌ای بر MLOps Introduction to MLOps

  • MLOps چیست؟ What is MLOps?

  • بررسی عمیق MLOps MLOps Deep Dive

  • مقدمه‌ای بر یادگیری ماشین لبه (Edge ML) Introduction to Edge Machine Learning

  • یادگیری ماشین لبه چیست؟ What is Edge Machine Learning?

  • بینایی ماشین لبه در عمل Edge Machine Learning Vision in Action

  • راهکارهای مدل استنتاج سخت‌افزاری در Edge ML Hardware Inference Model Solutions in Edge Machine Learning

  • یادگیری ماشین لبه در گوگل Edge Machine Learning in Google

  • یادگیری ماشین لبه در AWS Edge Machine Learning in AWS

  • مقدمه‌ای بر APIهای هوش مصنوعی Introduction to AI APIs

  • چگونه از APIهای هوش مصنوعی استفاده کنیم؟ How to Use AI APIs?

  • اجزای اصلی یک اپلیکیشن ابری Core Components of a Cloud Application

  • سرویس AWS Comprehend برای پردازش زبان طبیعی AWS Comprehend for Natural Language Processing

  • سرویس AWS Rekognition برای بینایی ماشین AWS Rekognition for Computer Vision

  • سرویس GCP AutoML برای پردازش زبان طبیعی GCP AutoML for Natural Language Processing

  • سرویس GCP AutoML برای بینایی ماشین GCP AutoML for Computer Vision

  • سرویس Azure AutoML برای پیش‌بینی‌های هوش مصنوعی Azure AutoML for AI Predictions

  • سرویس Azure AutoML برای بینایی ماشین Azure AutoML for Computer Vision

  • مرور اجزای اصلی یک اپلیکیشن ابری Core Components of a Cloud Application Recap

  • مراحل توسعه یک API Steps to Developing an API

  • بک‌اند یادگیری ماشین با Flask Flask Machine Learning Backend

  • چک‌لیست ساخت سرویس‌های وب حرفه‌ای Checklist for Building Professional Web Services

نمایش نظرات

آموزش مهندسی یادگیری ماشین ابری و MLOps
جزییات دوره
13h 47m
58
(آخرین آپدیت)
9,748
4.7 از 5
دارد
دارد
دارد
Noah Gift
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Noah Gift Noah Gift

کارشناس MLOps | انفرادی | نویسنده | استادیار | CTO

Noah Gift بنیانگذار Pragmatic A.I است. آزمایشگاه ها و یکی از همکاران بنیاد نرم افزار پایتون.

نوح به طور گسترده با AWS کار می کند و یک قهرمان یادگیری ماشین AWS است. او دارای چندین گواهینامه صنعتی برای AWS است. نوح آموزش و طراحی دوره های آموزشی ماشین فارغ التحصیل، MLOps، A.I.، علم داده و مشاوره در زمینه یادگیری ماشین و معماری ابری را انجام می دهد. مسئولیت های او شامل رهبری ابتکار صدور گواهینامه چند ابری برای دانش آموزان است. نوح نقش های مختلفی را به صورت حرفه ای ایفا کرده است، از جمله CTO، مدیر کل، مشاور مدیر ارشد فناوری، مشاور ارشد دانشمند داده و معمار ابر. او همچنین دارای چندین تیتراژ فیلم در فیلم‌های اصلی برای کارهای فنی از جمله آواتار، مرد عنکبوتی 3 و بازگشت سوپرمن است.