لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری ماشین کاربردی در Databricks
- آخرین آپدیت
دانلود Practical Machine Learning on Databricks
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
تیمهای یادگیری ماشین امروزی باید گردشکارهای مقیاسپذیر و آماده تولیدی بسازند که بهطور یکپارچه از مرحله آزمایش به استقرار و نظارت منتقل شوند. این دوره یک معرفی کاربردی از یادگیری ماشین در Databricks ارائه میدهد و به متخصصان کمک میکند تا از ابزارهای مدرنی مانند AutoML، MLflow، Feature Store و استقرار بدون سرور (Serverless) برای بهینهسازی عملیات ML و تسریع نتایج کسبوکار بهره ببرند.
از طریق مثالهای عملی و سناریوهای واقعی، خواهید آموخت که چگونه مدلهای پایه ایجاد کنید، گردشکارهای مهندسی ویژگی (Feature Engineering) را مدیریت کنید، خط لولههای ML را خودکار سازید و مدلها را بهطور بهینه با استفاده از Databricks مستقر کنید. این دوره همچنین به بررسی نسخهبندی مدل، ارکستراسیون گردشکار، اتوماسیون CI/CD و شناسایی رانش مدل (Model Drift) میپردازد تا به شما در حفظ سیستمهای یادگیری ماشین قابل اعتماد و مقیاسپذیر در محیطهای تولید کمک کند.
آنچه این دوره را متمایز میکند، تمرکز شدید بر پیادهسازی عملی با استفاده از ابزارها و گردشکارهای بومی Databricks است. با ترکیب مفاهیم بنیادی ML با استراتژیهای استقرار و اتوماسیون در سطح سازمانی، این دوره شما را آماده میکند تا با اعتمادبهنفس با چالشهای مدرن MLOps و مهندسی یادگیری ماشین مقابله کنید.
این دوره برای دانشمندان داده، مهندسان ML، مهندسان داده و توسعهدهندگانی که به دنبال انتقال به گردشکارهای یادگیری ماشین مبتنی بر Databricks هستند، ایدهآل است. یادگیرندگان باید تجربه قبلی در زبان پایتون، مفاهیم یادگیری ماشین و آشنایی با مبانی Apache Spark داشته باشند.
سرفصل ها و درس ها
فرآیند و چالشهای یادگیری ماشین
ML Process and Challenges
مرور کلی
Overview
مروری بر یادگیری ماشین در Databricks
Overview of ML on Databricks
مرور کلی
Overview
بهرهبرداری از Feature Store
Utilizing Feature Store
مرور کلی
Overview
درک اجزای MLflow
Understanding MLflow Components
مرور کلی
Overview
ایجاد مدل پایه برای پیشبینی ریزش مشتریان بانک با استفاده از AutoML
Create a Baseline Model for Bank Customer Churn Prediction Using AutoML
مرور کلی
Overview
نسخهبندی مدل و وبهوکها
Model Versioning and Webhooks
مرور کلی
Overview
روشهای استقرار مدل
Model Deployment Approaches
مرور کلی
Overview
خودکارسازی گردشکارهای ML با استفاده از Databricks Jobs
Automating ML Workflows Using the Databricks Jobs
مرور کلی
Overview
شناسایی رانش مدل و بازآموزی برای مدل پیشبینی ریزش
Model Drift Detection for Our Churn Prediction Model and Retraining
مرور کلی
Overview
استفاده از CI/CD برای خودکارسازی بازآموزی و استقرار مجدد مدل
CI/CD to Automate Model Retraining and Re-Deployment.
نمایش نظرات