آموزش Vertex AI Pipelines: پیاده‌سازی MLOps صنعتی در گوگل کلاد - آخرین آپدیت

دانلود Vertex AI Pipelines: Production MLOps on Google Cloud

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: تسلط بر MLOps با Vertex AI: ساخت خط لوله‌های (Pipelines) خودکار، آموزش مدل‌ها، استقرار در محیط عملیاتی و مقیاس‌پذیری در GCP ساخت خط لوله‌های یادگیری ماشین آماده برای تولید تسلط بر بهترین روش‌های MLOps ایجاد کامپوننت‌های خط لوله قابل استفاده مجدد پیاده‌سازی گردش‌کارهای پیشرفته ML مدیریت چالش‌های دنیای واقعی در یادگیری ماشین استقرار مدل‌ها در پلتفرم گوگل کلاد (GCP) پیش نیازها: مفاهیم یادگیری ماشین مبانی برنامه‌نویسی پایتون

مدل‌های ML خود را با Vertex AI گوگل کلاد از محیط نوت‌بوک به محیط عملیاتی منتقل کنید

آیا از ساخت مدل‌های یادگیری ماشینی که هرگز از محیط Jupyter Notebook فراتر نمی‌روند خسته شده‌اید؟ آیا برای پر کردن شکاف بین آموزش مدل و استقرار آن در محیط تولید (Production) با مشکل مواجه هستید؟ این دوره عملی با آموزش ساخت خط لوله‌های خودکار و آماده تولید با استفاده از Vertex AI و Kubeflow Pipelines گوگل کلاد، این فاصله حیاتی را پر می‌کند.

در این دوره کاربردی، شما از آموزش‌های پایه مدل فراتر رفته و بر گردش‌کار کامل MLOps مسلط می‌شوید. یاد می‌گیرید چگونه کامپوننت‌های ماژولار و قابل استفاده مجددی طراحی کنید که هر مرحله از چرخه حیات یادگیری ماشین را خودکار کند؛ از ورود و اعتبارسنجی داده‌ها گرفته تا مهندسی ویژگی‌ها، آموزش مدل، ارزیابی و استقرار. دیگر خبری از مراحل دستی، هرج‌ومرج اسکریپت‌ها و سردرگمی‌های زمان استقرار نخواهد بود.

از طریق یک پروژه جامع دنیای واقعی و تمرینات پیشرفته، تجربه عملی در ساخت خط لوله‌های پیچیده را کسب خواهید کرد. شما با چالش‌های واقعی مانند مدیریت مجموعه‌داده‌های نامتوازن، پیاده‌سازی آموزش موازی مدل‌ها، ایجاد سیستم‌های مقایسه خودکار مدل و یکپارچه‌سازی با Vertex AI Model Registry برای مدیریت متمرکز مدل‌ها روبرو خواهید شد. این پروژه شامل دموهای هدایت‌شده و تمریناتی با بخش‌های TODO است که بر الگوهای MLOps تمرکز دارند، در حالی که الگوریتم‌های یادگیری ماشین از پیش آماده شده‌اند تا شما بتوانید تمام تمرکز خود را بر یادگیری گردش‌کارهای صنعتی بگذارید.

در پایان دوره، شما دارای پروژه‌هایی خواهید بود که توانایی شما در خودکارسازی گردش‌کارهای ML، پیاده‌سازی گیت‌های کیفیت، ارکستراسیون خط لوله‌های پیچیده و استقرار مدل‌ها روی زیرساخت‌های ابری سازمانی را به نمایش می‌گذارد. شما درک خواهید کرد که شرکت‌هایی مانند گوگل، نتفلیکس و اوبر چگونه ML را در مقیاس بزرگ مدیریت می‌کنند و مهارت‌های انتقال‌پذیری کسب خواهید کرد که در هر پلتفرم ابری ML قابل استفاده است.

چه دانشمند داده‌ای باشید که می‌خواهید مدل‌های خود را صنعتی کنید، چه مهندس نرم‌افزاری که وارد فضای AI شده است و چه متخصص MLOps که به دنبال تجربه عملی در GCP است، این دوره مهارت‌های عملی مورد نیاز بازار کار AI را در اختیار شما قرار می‌دهد.

ساخت مدل‌هایی که در نوت‌بوک‌ها می‌مانند را متوقف کنید. ساخت سیستم‌های ML که ارزش تجاری واقعی ایجاد می‌کنند را آغاز کنید.


سرفصل ها و درس ها

مقدمه Introduction

  • محتوای دوره Course Content

  • اطلاعات دوره Course Information

  • فایل‌های منبع Source Files

راه‌اندازی و پیش‌نیازها Setting up and Requirements

  • ساخت حساب گوگل کلاد Set up Google Cloud Account

  • محیط گوگل کلاد Google Cloud Environment

  • بخش پرداخت و Billing Billing

  • راه‌اندازی پروژه Project Set up

دموی پروژه: توسعه خط لوله End-to-End Project Demo - End to End Pipeline Development

  • توضیحات پروژه Project Description

  • گام اول: نصب و تنظیمات کانفیگ Step1 - Installations and Setting Up Configs

  • مفهوم کانتینرسازی (اختیاری) Containerization Concept (Optional)

  • گام دوم: کامپوننت اول Step 2 - Component 1

  • گام دوم: کامپوننت دوم Step 2 - Component 2

  • گام دوم: کامپوننت سوم Step 2 - Component 3

  • گام دوم: کامپوننت چهارم Step 2 - Component 4

  • گام دوم: کامپوننت پنجم Step 2 - Component 5

  • گام دوم: کامپوننت ششم Step 2 - Component 6

  • گام سوم: تعریف خط لوله (Pipeline) Step 3 - Define Pipeline

  • گام چهارم: کامپایل خط لوله Step 4 - Compile Pipeline

  • گام پنجم و ششم: اجرا و نظارت بر خط لوله Step 5&6 - Execute and Monitor Pipeline

  • گام هفتم: پاک‌سازی منابع Step 7 - Clean Up

تمرین Exercise

  • تعریف تمرین Exercise Definition

  • پاسخ تمرین Exercise Solution

نمایش نظرات

آموزش Vertex AI Pipelines: پیاده‌سازی MLOps صنعتی در گوگل کلاد
جزییات دوره
4 hours
22
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
145
4.8 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

Navid Shirzadi Navid Shirzadi

Data Analyst - Optimization Expert نام من نوید شیرزید است و من بسیار خوشحالم که شما برای خواندن این بخش اینجا هستید! من یک محقق با بیش از 7 سال تجربه در زمینه کنترل سیستم های انرژی یکپارچه با مهارت گسترده در استفاده از استراتژی های بهینه سازی ریاضی هستم. من همچنین در برنامه نویسی با پایتون و توسعه مدل های یادگیری ماشین و یادگیری عمیق برای برنامه های مختلف مهارت دارم. من چندین نشریه در زمینه طراحی و کنترل استراتژی های سیستم های انرژی با استفاده از یادگیری ماشین ، یادگیری عمیق و هوش مصنوعی دارم. به عنوان نتیجه گیری ، من علاقه زیادی به علم داده و یادگیری ماشین و برنامه های بهینه سازی در مشکلات دنیای واقعی دارم و واقعاً دوست دارم تجربه خود را با شما در میان بگذارم!