آموزش سیستم‌های یادگیری ماشین کاربردی با FastAPI برای توسعه‌دهندگان - آخرین آپدیت

دانلود Applied Machine Learning Systems with FastAPI for Developers

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره به توسعه‌دهندگان نرم‌افزار می‌آموزد که چگونه سیستم‌های یادگیری ماشین را با استفاده از پایتون، scikit-learn، FastAPI و Docker پیاده‌سازی، مستقر و نگهداری کنند. شما یاد می‌گیرید که خط لوله‌های (Pipelines) یادگیری ماشین را بسازید، داده‌ها را پیش‌پردازش کنید، مدل‌ها را ارزیابی کرده و آن‌ها را به صورت REST APIهای آماده برای محیط عملیاتی ارائه دهید. پودمان ۱ به الگوریتم‌های اصلی یادگیری ماشین و گردش‌کارهای آن، از جمله پارادایم‌های یادگیری نظارت‌شده و نظارت‌نشده می‌پردازد. شما رگرسیون، طبقه‌بندی و خوشه‌بندی را با استفاده از scikit-learn پیاده‌سازی کرده و ارزیابی مدل‌ها را با معیارهای مناسب یاد می‌گیرید. پودمان ۲ بر آماده‌سازی داده‌ها و مهندسی ویژگی‌ها تمرکز دارد. شما داده‌ها را با استفاده از pandas پاک‌سازی و پیش‌پردازش می‌کنید، خط لوله‌های ویژگی را با تبدیل‌ها و مقیاس‌بندی می‌سازید و مجموعه‌ ویژگی‌ها را برای بهبود عملکرد مدل بهینه می‌کنید. پودمان ۳ به بررسی ساخت و تست کدهای یادگیری ماشین می‌پردازد. شما ساختار کدهای ML را برای ماژولار بودن و قابلیت استفاده مجدد سازماندهی می‌کنید، گردش‌کارهای تست را با استفاده از pytest پیاده‌سازی کرده و تکنیک‌های لاگ‌گیری و دیباگ برای خط لوله‌های ML را می‌آموزید. پودمان ۴ شامل ارائه و استقرار مدل‌های یادگیری ماشین است. شما مدل‌ها را با استفاده از FastAPI به صورت REST API منتشر می‌کنید، سرویس‌ها را با Docker کانتینریزه کرده و مدل‌های مستقر شده را از طریق تست استنتاج (Inference Testing) ارزیابی می‌کنید. در پایان این دوره، شما قادر خواهید بود: • الگوریتم‌های یادگیری ماشین را برای وظایف طبقه‌بندی، رگرسیون و خوشه‌بندی پیاده‌سازی و ارزیابی کنید • خط لوله‌های داده بازتولیدپذیر با پیش‌پردازش و مهندسی ویژگی بسازید • کدهای ML ماژولار و تست‌شده را مطابق با بهترین روش‌های مهندسی نرم‌افزار توسعه دهید • مدل‌های یادگیری ماشین را به عنوان REST APIهای کانتینریزه با استفاده از FastAPI و Docker مستقر کنید. سلب مسئولیت: این یک منبع آموزشی مستقل است که توسط Board Infinity تنها برای اهداف اطلاع‌رسانی و آموزشی ایجاد شده است. این دوره با هیچ شرکت، سازمان یا نهاد صدور گواهینامه‌ای وابسته، تایید شده، حمایت شده یا به طور رسمی مرتبط نیست مگر اینکه صراحتاً ذکر شده باشد. محتوای ارائه شده بر اساس دانش صنعت و بهترین روش‌ها است اما به عنوان مواد آموزشی رسمی برای هیچ کارفرما یا برنامه گواهینامه خاصی محسوب نمی‌شود. تمامی نام‌های شرکت‌ها، علائم تجاری، علائم خدمات و لوگوهای ذکر شده متعلق به مالکان مربوطه است و صرفاً برای شناسایی آموزشی و مقایسه‌ای استفاده شده است.

سرفصل ها و درس ها

الگوریتم‌های اصلی و گردش‌کارهای یادگیری ماشین Core ML Algorithms and Workflows

  • ویدیوی خوش‌آمدگویی دوره! Course Welcome Video!

  • فرصت‌های شغلی در یادگیری ماشین کاربردی Career Opportunities in Applied ML

  • روندهای صنعت و موارد کاربرد Industry Trends and Use Cases

  • مهارت‌های کلیدی برای مهندسان ML Key Skills for ML Engineers

  • یادگیری ماشین چیست؟ What Is Machine Learning?

  • مروری بر گردش‌کار یادگیری ماشین ML Workflow Overview

  • برنامه‌نویسی قانون‌محور در مقابل داده‌محور Rule-based vs. Data-driven Programming

  • راه‌اندازی scikit learn Setting Up scikit-learn

  • مثال‌های طبقه‌بندی و رگرسیون Classification and Regression Examples

  • ارزیابی مدل با استفاده از معیارها Model Evaluation with Metrics

  • درک اعتبارسنجی متقاطع (Cross validation) Understanding Cross-validation

  • ارزیابی مدل‌های طبقه‌بندی Evaluating Classification Models

  • ارزیابی مدل‌های رگرسیون Evaluating Regression Models

آماده‌سازی داده‌ها و مهندسی ویژگی Data Preparation and Feature Engineering

  • ویدیو: مدیریت داده‌های گم‌شده Video: Handling Missing Data

  • ویدیو: نرمال‌سازی و مقیاس‌بندی Video: Normalization & Scaling

  • اعتبارسنجی کیفیت داده‌ها Validating Data Quality

  • ویدیو: کدگذاری (Encoding) Video: Encoding

  • ویدیو: ویژگی‌های چندجمله‌ای Video: Polynomial Features

  • ویدیو: کاهش ابعاد Video: Dimensionality Reduction

  • ویدیو: مروری بر خط لوله (Pipeline) Video: Pipeline Overview

  • ویدیو: ادغام پیش‌پردازش و مدل Video: Preprocessing + Model Integration

  • ویدیو: دیباگ کردن خط لوله Video: Pipeline Debugging

ساخت و تست کدهای یادگیری ماشین Building and Testing ML Code

  • ویدیو: ساختاردهی کد برای یادگیری ماشین Video: Code Structuring for ML

  • ویدیو: طراحی شیءگرا Video: Object-oriented Design

  • ویدیو: الگوهای قابلیت استفاده مجدد Video: Reusability Patterns

  • ویدیو: تست واحد (Unit Testing) Video: Unit Testing

  • ویدیو: تست یکپارچگی (Integration Testing) Video: Integration Testing

  • ویدیو: شبیه‌سازی (Mocking) خروجی‌های ML Video: Mocking ML Outputs

  • ویدیو: بهترین روش‌های لاگ‌گیری Video: Logging Best Practices

  • ویدیو: بهترین روش‌های لاگ‌گیری - بخش ۲ Video: Logging Best Practices Part - 2

  • ویدیو: دیباگ کردن با استفاده از لاگ‌ها Video: Debugging with Logs

  • ویدیو: دیباگ کردن با استفاده از لاگ‌ها - بخش ۲ Video: Debugging with Logs Part 2

ارائه و استقرار مدل‌های یادگیری ماشین Serving and Deploying ML Models

  • ویدیو: مبانی FastAPI Video: FastAPI Basics

  • ویدیو: طراحی نقاط انتهایی (Endpoint) Video: Endpoint Design

  • ویدیو: اعتبارسنجی ورودی/خروجی Video: Input/Output Validation

  • ویدیو: اعتبارسنجی ورودی/خروجی - بخش ۲ Video: Input/Output Validation Part - 2

  • ویدیو: ساخت ایمیج‌های داکر Video: Building Docker Images

  • ویدیو: تست کانتینر Video: Container Testing

  • ویدیو: مانیتورینگ APIهای استنتاج Video: Monitoring Inference APIs

  • ویدیو: گام‌های بعدی چیست؟ Video: What Next

نمایش نظرات

آموزش سیستم‌های یادگیری ماشین کاربردی با FastAPI برای توسعه‌دهندگان
جزییات دوره
20h 40m
40
(آخرین آپدیت)
255
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Board Infinity Board Infinity

Board Infinity: توانمندسازی مشاغل با مسیرهای یادگیری