لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش استقرار و نظارت بر مدلهای یادگیری ماشین
- آخرین آپدیت
دانلود Model Deployment and Monitoring
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره یک بررسی پیشرفته در زمینه MLOps است و بر نحوه مقیاسپذیری، حاکمیت، بهینهسازی، نظارت و بهبود مستمر سیستمهای یادگیری ماشین سازمانی در محیط عملیاتی تمرکز دارد.
از طریق دمونستراسیونهای عملی و تمرینات کاربردی، فراگیران از Amazon SageMaker، SageMaker Feature Store، SageMaker Clarify، SHAP، LIME، آموزش توزیعشده، تنظیم هایپرپارامترها، داشبوردهای نظارتی و تکنیکهای یادگیری فعال برای ایجاد جریانهای کاری قابل اعتماد در تولید استفاده خواهند کرد.
در پایان این دوره، فراگیران قادر خواهند بود:
- پلتفرمهای مدیریتشده ML را با زیرساختهای خود-مدیریتی مقایسه کنند
- استورهای ویژگی (Feature Stores) مقیاسپذیر و فرآیندهای آموزش توزیعشده را طراحی کنند
- سیستمهای تایید مدل، حاکمیت، بررسی سوگیری (Bias) و عدالت را پیادهسازی کنند
- عملکرد مدل، کیفیت دادهها و رانش دادهها (Drift) را نظارت کنند
- استراتژیهای یادگیری مستمر و بهینهسازی هزینهها را به کار گیرند
این دوره برای مهندسان با تجربه ML، مهندسان MLOps، مهندسان هوش مصنوعی، مهندسان پلتفرم و دانشمندان دادهای که میخواهند سیستمهای ML در مقیاس سازمانی بسازند و مدیریت کنند، طراحی شده است.
داشتن دانش قبلی در مورد MLOps، پلتفرمهای ابری، Kubernetes، استقرار مدل و نظارت توصیه میشود.
سرفصل ها و درس ها
پلتفرمهای مدیریتشده ML و مقیاسبندی زیرساختهای یادگیری ماشین
Managed ML Platforms and Scaling ML Infrastructure
مرور کلی تخصص
Specialization Overview
معرفی دوره
Course Introduction
مقایسه پلتفرمهای ابری
Cloud Platforms Comparison
دمونستراسیون: انتقال سیستم تشخیص کلاهبرداری از Kubeflow به SageMaker
Demonstration: Migrate Fraud Detection from Kubeflow to SageMaker
دمونستراسیون: ویژگیهای یکپارچه MLOps در SageMaker
Demonstration: SageMaker's Integrated MLOps Features
معماری SageMaker Feature Store
SageMaker Feature Store Architecture
دمونستراسیون: راهاندازی SageMaker Feature Store برای تشخیص کلاهبرداری
Demonstration: Set Up SageMaker Feature Store for Fraud Detection
دمونستراسیون: نسخهبندی ویژگیها و نظارت بر کیفیت دادهها
Demonstration: Feature Versioning and Data Quality Monitoring
آموزش توزیعشده و بهینهسازی هایپرپارامترها (HPO)
Distributed Training and HPO
اجرای آموزش توزیعشده با SageMaker
Run Distributed Training with SageMaker
بهینهسازی هایپرپارامترها در مقیاس گسترده
Hyperparameter Optimization at Scale
حاکمیت مدل، توضیحپذیری و نظارت در محیط عملیاتی
Model Governance, Explainability, and Monitoring in Production
چارچوبهای حاکمیت مدل
Model Governance Frameworks
دمونستراسیون: پیادهسازی جریان کاری تایید مدل در SageMaker
Demonstration: Implement Model Approval Workflow in SageMaker
دمونستراسیون: تشخیص سوگیری و عدالت با SageMaker
Demonstration: Bias and Fairness Detection with SageMaker
استفاده از SHAP و LIME برای توضیحپذیری مدل
SHAP and LIME for Model Explainability
دمونستراسیون: تولید توضیحات SHAP برای پیشبینیهای کلاهبرداری
Demonstration: Generate SHAP Explanations for Fraud Predictions
دمونستراسیون: تفسیر و استخراج توضیحات SHAP برای پیشبینیهای کلاهبرداری
Demonstration: Interpret and Export SHAP Explanations for Fraud Predictions
دمونستراسیون: عیبیابی خطاهای مدل و تحلیل ریشه مشکل (Root Cause Analysis)
Demonstration: Debug Model Failures and Root Cause Analysis
نمایش نظرات