آموزش ایجاد و انتشار خطوط لوله برای استنباط دسته ای با Azure

Create and Publish Pipelines for Batch Inferencing with Azure

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: این دوره به شما یاد می دهد که چگونه از سرویس یادگیری ماشینی Azure برای ساخت و اجرای خطوط لوله ML با استفاده از رابط طراح با کشیدن و رها کردن استفاده کنید. شما انتشار و استقرار خطوط لوله برای استنتاج دسته ای و بلادرنگ را پوشش خواهید داد. یک مدل یادگیری ماشینی مراحل مختلفی را در چرخه عمر خود طی می کند. از آموزش، تا ارزیابی، از طریق استقرار و سپس نگهداری. در حالی که تعدادی ابزار در دسترس برای این مراحل وجود دارد، مدیریت آنها حتی برای مهندس ML باتجربه می تواند بسیار دشوار باشد. در این دوره، ایجاد و انتشار خطوط لوله برای استنتاج دسته ای با Azure، یک محیط بصری و آسان برای نگهداری برای همه چیزهای ML را تجربه خواهید کرد و بر ساخت و اجرای خطوط لوله برای استنتاج دسته ای تمرکز خواهید کرد. ابتدا، سرویس Azure ML و وسعت ویژگی‌هایی را که هنگام ساخت و مدیریت مدل‌های ML ارائه می‌دهد، کشف خواهید کرد. سپس، تعدادی از تبدیل‌های داده را بررسی خواهید کرد که می‌توانند به سادگی با کشیدن و رها کردن ماژول‌های مختلف در خط لوله روی یک مجموعه داده اعمال شوند. در مرحله بعد، خواهید دید که مدیریت مقادیر از دست رفته، استانداردسازی ویژگی های عددی و همچنین رمزگذاری یکباره برای فیلدهای طبقه بندی شده، همگی بدون نوشتن یک خط کد قابل انجام هستند. در نهایت، از خط لوله برای پیش بینی داده های جدید استفاده خواهید کرد. هنگامی که این دوره را به پایان رساندید، درک روشنی از قابلیت های Azure ML و به طور خاص طراح آن در هنگام تعریف و مدیریت خطوط لوله خواهید داشت - که هم برای آموزش و هم برای استنباط قابل استفاده است.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

شروع کار با طراح یادگیری ماشین Azure Getting Started with the Azure Machine Learning Designer

  • پیش نیازهای دوره و طرح کلی Course Prerequisites and Outline

  • آموزش ماشینی Azure را معرفی می کنیم Introducing Azure Machine Learning

  • مجموعه داده ها در Azure ML Datasets in Azure ML

  • شرایط و مفاهیم Azure ML Azure ML Terms and Concepts

  • نسخه ی نمایشی: ایجاد یک فضای کاری Azure ML Demo: Creating an Azure ML Workspace

  • نسخه ی نمایشی: یک خوشه محاسباتی ایجاد کنید Demo: Create a Compute Cluster

  • نسخه ی نمایشی: کاوش در طراح Demo: Exploring the Designer

  • نسخه ی نمایشی: بارگیری و پیکربندی یک مجموعه داده Demo: Loading and Configuring a Dataset

  • نسخه ی نمایشی: خلاصه کردن یک مجموعه داده Demo: Summarizing a Dataset

  • نسخه ی نمایشی: اجرای خط لوله Demo: Running a Pipeline

ساخت یک خط لوله آموزش مدل Building a Model Training Pipeline

  • گردش کار رایج یادگیری ماشین Common Machine Learning Workflows

  • نسخه ی نمایشی: علامت گذاری ستون ها به عنوان دسته بندی Demo: Marking Columns as Categorical

  • نسخه ی نمایشی: مدیریت داده های از دست رفته Demo: Handling Missing Data

  • نسخه ی نمایشی: استفاده از کدگذاری تک داغ Demo: Applying One-hot Encoding

  • نسخه ی نمایشی: استانداردسازی فیلدهای عددی Demo: Standardizing Numeric Fields

  • نسخه ی نمایشی: ایجاد مجموعه های آموزشی و آزمایشی Demo: Creating Training and Test Sets

  • نسخه ی نمایشی: آموزش و ارزیابی یک مدل Demo: Training and Evaluating a Model

  • نسخه ی نمایشی: بررسی معیارهای ارزیابی Demo: Examining the Evaluation Metrics

انتشار خط لوله استنتاج دسته ای Publishing a Batch Inference Pipeline

  • تنظیم فراپارامتر Hyperparameter Tuning

  • نسخه ی نمایشی: پیاده سازی تنظیم Hyperparameter Demo: Implementing Hyperparameter Tuning

  • نسخه ی نمایشی: ارزیابی ترکیب هایپرپارامترها Demo: Evaluating Combinations of Hyperparameters

  • خطوط لوله استنتاج دسته ای Batch Inference Pipelines

  • نسخه ی نمایشی: بازسازی یک خط لوله آموزشی مدل Demo: Re-building a Model Training Pipeline

  • نسخه ی نمایشی: ایجاد و تجزیه و تحلیل یک خط لوله استنتاج دسته ای Demo: Creating and Analyzing a Batch Inference Pipeline

  • نسخه ی نمایشی: انتشار و اجرای خط لوله استنتاج دسته ای Demo: Publishing and Running a Batch Inference Pipeline

استفاده از خط لوله استنتاج دسته ای Deploying a Batch Inference Pipeline

  • خطوط لوله استنتاج در Azure ML Inference Pipelines in Azure ML

  • نسخه ی نمایشی: ایجاد خط لوله برای استنتاج Demo: Creating a Pipeline for Inferences

  • نسخه ی نمایشی: پیکربندی و آزمایش یک خط لوله استنتاج Demo: Configuring and Testing an Inference Pipeline

  • نسخه ی نمایشی: استقرار یک خط لوله استنتاج Demo: Deploying an Inference Pipeline

  • نسخه ی نمایشی: مصرف خط لوله استنتاج Demo: Consuming an Inference Pipeline

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

آموزش ایجاد و انتشار خطوط لوله برای استنباط دسته ای با Azure
جزییات دوره
2h 44m
32
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Kishan Iyer
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Kishan Iyer Kishan Iyer

مهندس محتوا، کارشناس DevOps، و کاربر Power Platform Google Cloud

Kishan Iyer یک مهندس محتوا، متخصص DevOps و کاربر Power Platform Google Cloud است.

Kishan دارای بیش از 20 سال تجربه توسعه نرم افزار در مقیاس جهانی. در طول دوران حرفه‌ای خود، او در نقش‌های فنی بسیار متنوعی در Deutsche Bank، Electric Cloud، WebMD و جاهای دیگر کار کرده است. او دارای مدرک کارشناسی ارشد علوم کامپیوتر از دانشکده مهندسی و علوم کاربردی فو بنیاد فو در دانشگاه کلمبیا در نیویورک است. کیشان متخصص در متدولوژی‌های توسعه چابک، SQL و سرویس‌های داده پلتفرم ابری گوگل، در حال حاضر به عنوان مهندس محتوا در Loonycorn، یک شرکت آموزش الکترونیکی و تولید ویدیو مستقر در بنگالورو، کارناتاکا، هند کار می‌کند.