آموزش سیستم‌های یادگیری ماشین در محیط عملیاتی (Production Machine Learning) - آخرین آپدیت

معرفی یادگیری ماشین پیشرفته در گوگل کلود Présentation du machine learning avancé sur Google Cloud

• یادگیری ماشین پیشرفته در Google Cloud Machine learning avancé sur Google Cloud

• خوش‌آمدگویی Bienvenue

طراحی معماری سیستم‌های ML در محیط عملیاتی Concevoir l'architecture des systèmes de ML de production

• طراحی معماری سیستم‌های ML Concevoir l'architecture des systèmes de ML

• استخراج، تحلیل و آماده‌سازی داده‌ها Extraction, analyse et préparation des données

• آموزش، ارزیابی و اعتبارسنجی مدل Entraînement, évaluation et validation du modèle

• مدل آموزش‌دیده، سرویس پیش‌بینی و نظارت بر عملکرد Modèle entraîné, service de prédiction et surveillance des performances

• تصمیمات طراحی برای مرحله آموزش Décisions de conception pour l'entraînement

• تصمیمات طراحی برای مرحله استنتاج Décisions de conception pour l'inférence

• طراحی از صفر Concevoir à partir de zéro

• استفاده از Vertex AI Utilisation de Vertex AI

• معرفی کارگاه: پیش‌بینی با داده‌های ساختاریافته Présentation de l'atelier : Prédictions avec des données structurées

• Coursera: گام‌های نخست با Google Cloud Platform و Qwiklabs Coursera : Premiers pas avec Google Cloud Platform et Qwiklabs

ساخت سیستم‌های ML سازگار و انعطاف‌پذیر Créer des systèmes de ML adaptables

• مقدمه Introduction

• سازگاری با داده‌ها S'adapter aux données

• تغییر در توزیع داده‌ها Changer de distribution

• کارگاه: سازگاری با داده‌ها Atelier : S'adapter aux données

• تصمیمات درست و غلط Bonnes et mauvaises décisions

• شکست سیستم Défaillance système

• رانش مفهومی (Concept Drift) Dérive conceptuelle

• اقداماتی برای کاهش اثر رانش مفهومی Actions d'atténuation de la dérive conceptuelle

• اعتبارسنجی داده‌های TensorFlow Validation des données TensorFlow

• اجزای TensorFlow Data Validation Composants de TensorFlow Data Validation

• معرفی کارگاه: مقدمه‌ای بر TensorFlow Data Validation Présentation de l'atelier : Introduction à TensorFlow Data Validation

• معرفی کارگاه: بصری‌سازی پیشرفته با TensorFlow Data Validation Présentation de l'atelier : Visualisations avancées avec TensorFlow Data Validation

• طراحی هوشمندانه برای کاهش فاصله بین آموزش و استنتاج Une conception bien pensée pour réduire le décalage entre entraînement et inférence

• عیب‌یابی مدل در محیط عملیاتی Diagnostiquer un modèle de production

ساخت سیستم‌های ML با کارایی بالا Créer des systèmes de ML hautes performances

• مقدمه Introduction

• آموزش Entraînement

• پیش‌بینی‌ها Prédictions

• چرا آموزش توزیع‌شده ضروری است؟ Pourquoi l'entraînement distribué est nécessaire

• معماری‌های آموزش توزیع‌شده Architectures d'entraînement distribué

• استراتژی‌های آموزش توزیع‌شده در TensorFlow Stratégies d'entraînement distribué de TensorFlow

• استراتژی Replicated Stratégie répliquée

• استراتژی Replicated در چندین گره محاسباتی Stratégie répliquée sur plusieurs nœuds de calcul

• استراتژی TPU Stratégie de TPU

• استراتژی Parameter Server Stratégie de serveur de paramètres

• معرفی کارگاه: آموزش توزیع‌شده با Keras Présentation de l'atelier : Entraînement distribué avec Keras

• آموزش مدل با مجموعه‌ داده‌های حجیم با استفاده از tf.data API Entraîner un modèle avec des ensembles de données volumineux à l'aide de l'API tf.data

• معرفی کارگاه: خط لوله‌های داده با سرعت TPU Présentation de l'atelier : Pipelines de données à la vitesse des TPU

• استنتاج Inférence

ساخت سیستم‌های ML ترکیبی (Hybrid) Créer des systèmes de ML hybrides

• مقدمه Introduction

• یادگیری ماشین در ابر ترکیبی (Hybrid Cloud) Machine learning sur cloud hybride

• Kubeflow Kubeflow

• معرفی کارگاه: خط لوله‌های Kubeflow با AI Platform Présentation de l'atelier : Pipelines Kubeflow avec AI Platform

• TensorFlow Lite TensorFlow Lite

• بهینه‌سازی TensorFlow برای موبایل Optimiser TensorFlow pour mobile

• جمع‌بندی Résumé

جمع‌بندی Résumé

• مرور نهایی دوره Résumé du cours