آموزش عملیات تحلیل داده و هوش مصنوعی (AI & Analytics Operations) - آخرین آپدیت
دانلود AI & Analytics Operations
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
سرفصل ها و درس ها
بهینه‌سازی و نظارت: یادگیری انتقالی با Azure ML Fine-Tune & Monitor: Transfer Learning with Azure ML
-
چرا یادگیری انتقالی استقرار هوش مصنوعی را تسریع می‌کند Why Transfer Learning Accelerates AI Deployment
-
مفاهیم یادگیری انتقالی و معماری آموزش در Azure ML Transfer Learning Concepts and Azure ML Training Architecture
بهینه‌سازی و نظارت: شناسایی و پاسخ به Drift مدل Fine-Tune & Monitor: Detect and Respond to Model Drift
-
انواع Model Drift و معیارهای شناسایی آن Model Drift Types and Detection Metrics
ردیابی و ارتقاء: ردیابی آزمایش‌ها با MLflow Track & Boost: Experiment Tracking with MLflow
-
چرا ردیابی آزمایش‌ها از شکست پروژه‌های ML جلوگیری می‌کند Why Experiment Tracking Prevents ML Project Failures
-
معماری MLflow و مفاهیم ردیابی MLflow Architecture and Tracking Concepts
ردیابی و ارتقاء: مهندسی ویژگی‌ها برای افزایش عملکرد Track & Boost: Feature Engineering for Performance
-
چرا مهندسی ویژگی‌ها اغلب بر پیچیدگی مدل غلبه می‌کند Why Feature Engineering Often Beats Model Complexity
-
تکنیک‌های مهندسی ویژگی برای خط لوله‌های ML Feature Engineering Techniques for ML Pipelines
جریان داده و زیرساخت: پردازش بلادرنگ با Stream Analytics Stream & Backbone: Real-Time Processing with Stream Analytics
-
چرا تحلیل‌های بلادرنگ قدرت‌بخش هوش مصنوعی پاسخگو هستند Why Real-Time Analytics Powers Responsive AI
-
زبان پرس‌وجوی Stream Analytics و مفاهیم Windowing Stream Analytics Query Language and Windowing
جریان داده و زیرساخت: انتخاب پلتفرم پیام‌رسانی Stream & Backbone: Select a Messaging Platform
-
مقایسه پلتفرم‌های پیام‌رسانی: Kinesis در مقابل Kafka و Event Hub Messaging Platform Comparison: Kinesis vs Kafka vs Event Hub
خط لوله‌های MLOps: ساخت CI/CD با GitHub Actions MLOps Pipelines: Build CI/CD with GitHub Actions
-
چرا CI/CD یادگیری ماشین را از یک آزمایش به یک محصول تبدیل می‌کند Why CI/CD Transforms ML from Experiment to Product
-
معماری گردش کار GitHub Actions برای ML GitHub Actions Workflow Architecture for ML
خط لوله‌های MLOps: عیب‌یابی و پایدارسازی استقرارها MLOps Pipelines: Debug and Stabilize Deployments
-
الگوهای رایج شکست در خط لوله‌ی ML Common ML Pipeline Failure Patterns
ذخیره‌سازی و Feature Store: پیاده‌سازی سیاست‌های چرخه عمر Storage & Feature Store: Implement Lifecycle Policies
-
چرا هزینه‌های ذخیره‌سازی در سیستم‌های ML به‌سرعت افزایش می‌یابد Why Storage Costs Compound in ML Systems
-
لایه‌های ذخیره‌سازی Azure و مدیریت چرخه عمر Azure Storage Tiers and Lifecycle Management
ذخیره‌سازی و Feature Store: انتخاب پایگاه داده Feature Store Storage & Feature Store: Select Feature Store Database
-
چرا تأخیر در Feature Store بر عملکرد مدل تأثیر می‌گذارد Why Feature Store Latency Impacts Model Performance
-
مقایسه Cosmos DB و Azure SQL MI برای ارائه ویژگی‌ها Cosmos DB vs Azure SQL MI for Feature Serving
Microsoft
نمایش نظرات