لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش DevOps برای دانشمندان داده
DevOps for Data Scientists
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
دانشمندان داده مدل های داده ای را ایجاد می کنند که نیاز به اجرا در محیط های تولید دارند. بسیاری از شیوه های DevOps مربوط به برنامه های تولید داده گرا علوم داده است ، اما این روش ها اغلب در آموزش علوم داده نادیده گرفته می شوند. علاوه بر این ، علم داده و یادگیری ماشین نیازهای متفاوتی دارند ، مانند نیاز به تجدید نظر در مدل ها هنگام استفاده. این دوره برای دانشمندان داده ای که نیاز به پشتیبانی از مدل های خود در تولید دارند و همچنین برای متخصصان DevOps که وظیفه پشتیبانی از علوم داده و برنامه های یادگیری ماشین را دارند ، طراحی شده است. در مورد شیوه های اصلی توسعه علوم داده ، از جمله آزمایش و اعتبارسنجی مدل های علم داده ، اطلاعات کسب کنید. این دوره همچنین نحوه استفاده از زبان نشانه گذاری پیش بینی مدل (PMML) ، نظارت بر مدل های تولید شده ، کار با ظروف Docker و موارد دیگر را شامل می شود.
موضوعات شامل:
استفاده از Git برای کنترل نسخه li>
گنجاندن تست مدل در فرآیند استقرار li>
کار با زبان نشانه گذاری مدل پیش بینی li>
ایمن سازی مدل های علم داده در تولید li>
مدلهای نظارت در تولید li>
ایجاد Dockerfile برای مدلهای علم داده li>
سرفصل ها و درس ها
مقدمه
Introduction
خوش آمدی
Welcome
مخاطب هدف
Target audience
1. روشهای توسعه علوم داده
1. Data Science Development Practices
علوم داده و مهندسی نرم افزار
Data science and software engineering
جمع آوری و فقدان داده ها
Collecting and munging data
آزمایش با داده ها ، ویژگی ها و الگوریتم ها
Experimenting with data, features, and algorithms
مدل های تست و اعتبار سنجی
Testing and validating models
2. مدلهای علوم داده تا تولید
2. Data Science Models to Production
کنترل نسخه برای مدل های علوم داده
Version control for data science models
پیش بینی کننده زبان نشانه گذاری مدل
Predictive Model Markup Language
استقرار مدل ها با ابزار اتوماسیون
Deploying models with automation tools
3. روش های استقرار
3. Deployment Practices
استقرار به محیط صحنه بندی
Deploying to staging environment
استقرار قناری
Canary deployments
تضمین مدلهای علوم داده در تولید
Securing the data science models in production
مدل های مانیتورینگ در تولید
Monitoring models in production
4- مدلهای علوم داده در ظروف
4. Data Science Models in Containers
آشنایی با داکر
Introduction to Docker
ایجاد Dockerfile برای مدلهای علوم داده
Creating a Dockerfile for data science models
دانش داده مخزن تصویر Docker
Data science Docker image repository
نتیجه
Conclusion
مروری بر بهترین شیوه های DevOps برای علم داده
Overview of DevOps best practices for data science
لینکدین: شبکه اجتماعی حرفهای برای ارتباط و کارآفرینی
لینکدین به عنوان یکی از بزرگترین شبکههای اجتماعی حرفهای، به میلیونها افراد در سراسر جهان این امکان را میدهد تا ارتباط برقرار کنند، اطلاعات حرفهای خود را به اشتراک بگذارند و فرصتهای شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان میدهد تا رزومه حرفهای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمنها و گروههای حرفهای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهرهمند شوند.
لینکدین همچنین به کارفرمایان امکان میدهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفهای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصتهای شغلی و گسترش شبکه حرفهای خود، نقش مهمی را ایفا میکند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفهای در دنیای امروز مورد توجه قرار دارد.
معمار سازمانی ، کارشناس بزرگ داده
دان سالیوان ، دکترای علوم ، یک معمار سازمانی و متخصص داده های بزرگ است.
دان متخصص در معماری داده ، تجزیه و تحلیل ، داده کاوی ، آمار ، مدل سازی داده ها ، داده های بزرگ و رایانش ابری است. علاوه بر این ، او دارای دکترای ژنتیک ، بیوانفورماتیک و زیست محاسباتی است. Dan به طور منظم با Spark ، Oracle ، NoSQL ، MongoDB ، Redis ، R و Python کار می کند. وی تجربه نوشتن گسترده ای در موضوعاتی از جمله رایانش ابری ، داده های بزرگ ، Hadoop و امنیت دارد.
نمایش نظرات