آموزش یادگیری ماشین با Azure Databricks - آخرین آپدیت

دانلود Machine Learning with Azure Databricks

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: بسیاری از سازمان‌ها با گردش‌کارهای پراکنده یادگیری ماشین، ابزارهای غیرمتصل و روش‌های مدیریت مدل ناسازگار دست و پنجه نرم می‌کنند. بدون یک رویکرد یکپارچه، توسعه، ردیابی و استقرار مدل‌های یادگیری ماشین می‌تواند ناکارآمد و مستعد خطا باشد. در این دوره، «یادگیری ماشین با Azure Databricks»، شما توانایی ساخت، مدیریت و اتوماسیون گردش‌کارهای جامع (End-to-End) یادگیری ماشین را با استفاده از Databricks MLflow و Azure Machine Learning به دست خواهید آورد. در ابتدا، اجزای کلیدی Databricks ML Runtime و MLflow را بررسی کرده و نحوه ادغام آن‌ها با سرویس‌های هوش مصنوعی و Azure Machine Learning را درک خواهید کرد. سپس، نحوه پیش‌پردازش داده‌ها، آموزش مدل‌ها با استفاده از scikit-learn، ثبت آزمایش‌ها با MLflow و بهینه‌سازی مدل‌ها از طریق اعتبارسنجی متقاطع (Cross-Validation) و بهینه‌سازی هایپرپارامترها را خواهید آموخت. در نهایت، یاد می‌گیرید که چگونه مدل‌ها را ثبت و مستقر کنید، عملکرد آن‌ها را نظارت نمایید، خط لوله‌های بازآموزی را با Databricks Workflows خودکار کنید و گردش‌کارهای ML را با استفاده از Azure Data Factory مدیریت نمایید. پس از اتمام این دوره، شما مهارت‌ها و دانش لازم در زمینه یادگیری ماشین در Databricks و Azure را برای توسعه، استقرار و نگهداری گردش‌کارهای ML در سطح تولید و در مقیاس گسترده خواهید داشت.

سرفصل ها و درس ها

آشنایی با یادگیری ماشین در Databricks Introducing Databricks Machine Learning

  • نیازمندی‌های سیستم و نرم‌افزاری System and Software Requirements

  • یادگیری ماشین در Azure Databricks Machine Learning on Azure Databricks

  • معرفی MLflow Introducing MLflow

  • محیط اجرای Databricks ML Runtime The Databricks ML Runtime

  • دمو: ایجاد کلاستری با محیط اجرای Databricks ML Runtime Demo: Creating a Cluster Running the Databricks ML Runtime

  • بررسی MLflow و رقبای آن MLflow and Its Competitors

آموزش و ارزیابی مدل‌های یادگیری ماشین Train and Evaluate Machine Learning Models

  • دمو: تحلیل اکتشافی داده‌ها (EDA) Demo: Exploratory Data Analysis

  • دمو: پیش‌پردازش، کدگذاری و مقیاس‌بندی داده‌ها Demo: Preprocess, Encode, and Scale Data

  • دمو: آموزش و ردیابی مدل‌ها با استفاده از MLflow Demo: Training and Tracking Models Using MLflow

  • دمو: قابلیت ثبت خودکار (Autologging) در MLflow Demo: MLflow Autologging

  • دمو: استفاده از Ray Tasks برای اجرای دوردست Demo: Using Ray Tasks for Remote Run Execution

  • دمو: تنظیم هایپرپارامترها با استفاده از Ray Tune Demo: Hyperparameter Tuning Using Ray Tune

استقرار و نظارت بر مدل‌های یادگیری ماشین Deploy and Monitor Machine Learning Models

  • دمو: ثبت مدل‌ها در Unity Catalog Registry Demo: Registering Models with the Unity Catalog Registry

  • دمو: ارائه (Serving) یک مدل ثبت شده Demo: Serving a Registered Model

  • دمو: دریافت پیش‌بینی‌ها از مدل مستقر شده Demo: Getting Predictions from a Served Model

  • دمو: تنظیم Volume برای داده‌های منبع و نوت‌بوک برای آموزش خودکار Demo: Setting up a Volume for Source Data and Notebook for Automated Training

  • دمو: آموزش خودکار مدل با استفاده از Databricks Jobs Demo: Automated Model Training Using Databricks Jobs

اتوماسیون گردش‌کارهای یادگیری ماشین Automate Machine Learning Workflows

  • دمو: پیکربندی و اجرای Auto ML Demo: Configuring and Running Auto ML

  • دمو: مدیریت گردش‌کارها با استفاده از ADF Demo: Orchestrating Workflows with ADF

  • مخازن ویژگی (Feature Stores) Feature Stores

  • مفاهیم Databricks Feature Store Databricks Feature Store Concepts

  • دمو: ایجاد و استفاده از Feature Stores Demo: Creating and Using Feature Stores

نمایش نظرات

آموزش یادگیری ماشین با Azure Databricks
جزییات دوره
1h 31m
22
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
7
از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.