آموزش آشنایی با MLOps (عملیات یادگیری ماشین) - آخرین آپدیت

دانلود Introduction to MLOps

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: مدل‌های یادگیری ماشین تنها به اندازه‌ی سیستم‌هایی که از آن‌ها پشتیبانی می‌کنند، مؤثر هستند. در این دوره، «آشنایی با MLOps»، شما یاد می‌گیرید که چگونه یک خط لوله (Pipeline) جامع و بهینه MLOps را با استفاده از مجموعه‌ای حداقلی از ابزارهای متن‌باز و سازگار با لینوکس بسازید. ابتدا بررسی خواهید کرد که چگونه رجیستری‌های مدل (Model Registries) و ذخیره‌سازهای ویژگی (Feature Stores) برای ارتقای همکاری، نسخه‌بندی و تکرارپذیری با یکدیگر تعامل دارند و از MLflow و Feast برای ثبت، ردیابی و مدیریت مدل‌ها و ویژگی‌ها در طول چرخه حیات آن‌ها استفاده خواهید کرد. سپس، نحوه اعمال تکنیک‌های کنترل نسخه بر روی داده‌ها و مدل‌ها را با استفاده از Git و DVC می‌آموزید تا اطمینان حاصل کنید که آزمایش‌ها تکرارپذیر باقی می‌مانند و خط لوله شما به طور خودکار به تغییرات در کد یا داده‌های آموزشی پاسخ می‌دهد. در نهایت، نحوه نظارت بر عملکرد مدل و استقرار آن روی شتاب‌دهنده‌های سخت‌افزاری را با بهره‌گیری از ابزارهایی مانند Evidently برای تشخیص رانش (Drift Detection) و BentoML به همراه Docker برای استنتاج بهینه و مقیاس‌پذیر کشف خواهید کرد. در پایان این دوره، شما قادر خواهید بود گردش کارهای قدرتمند MLOps را با ابزارهای متن‌باز پیاده‌سازی کنید، کیفیت مدل را در طول زمان حفظ نمایید و سرویس‌های یادگیری ماشین با کارایی بالا را با اطمینان کامل مستقر کنید.

سرفصل ها و درس ها

راه‌اندازی MLflow و ثبت مدل Setting up MLflow and Registering a Model

  • آشنایی با MLflow و رجیستری‌های مدل Introduction to MLflow and Model Registries

  • آشنایی با ذخیره‌سازهای ویژگی (Feature Stores) Introduction to Feature Stores

کنترل نسخه از طریق Git و DVC Revision Control via Git and DVC

  • افزودن کنترل نسخه Adding Revision Control

  • کار با DVC Working with DVC

تعریف و نظارت بر رانش مدل (Drift) Defining and Monitoring Drift

  • آشنایی با رانش مدل (Model Drift) Introduction to Model Drift

  • شناسایی رانش Identifying Drift

  • مدیریت رانش با استفاده از آستانه‌ها Managing Drift with Thresholds

استقرار ابزار یادگیری ماشین Deploying an ML Tool

  • استقرار یک مدل یادگیری ماشین Deploying an ML Model

  • ارزیابی عملکرد استنتاج Evaluating Inference Performance

نمایش نظرات

آموزش آشنایی با MLOps (عملیات یادگیری ماشین)
جزییات دوره
39m
9
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
16
3.5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Anthony Alampi Anthony Alampi

من آنتونی آلامپی هستم ، یک طراح و توسعه دهنده تعاملی ساکن آستین ، تگزاس. من یک توسعه دهنده حرفه ای بازی های ویدیویی و صاحب فعلی شرکت طراحی وب با بیش از 15 سال تجربه برنامه نویسی و بیش از 7 سال تجربه طراحی هستم. طراحی کاربر محور علاقه من است و معتقدم وقتی کاربران در اولویت قرار می گیرند ، دوباره برمی گردند! نمونه کارهای شخصی من را می توانید در این آدرس مشاهده کنید: https://www.anthonyalampi.com/درباره شرکت من: مشاوران X Factor یک شرکت طراحی دیجیتال است که در Round Rock ، تگزاس مستقر است. ما در ایجاد وب سایت های تمیز ، کاربر پسند و آرم های چشم نواز ، رسانه های دیجیتال و سایر مواد بازاریابی برای طیف گسترده ای از صنایع تخصص داریم. ما همچنین خدمات اصلی نوشتن محتوای UX دوستانه را برای رسانه های تعاملی و همچنین پشتیبانی وب مستر پس از راه اندازی مشتری آنلاین خود را ارائه می دهیم. درباره کارهایی که X Factor می تواند برای سازمان شما انجام دهد بیشتر بدانید: https://www.xfactorconsultants.com/