لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
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.
نمایش نظرات