نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
سیستمهای توصیهگر در مقیاس بزرگ، پیش از هرگونه رتبهبندی، به تولید کاندیدهای سریع و دقیق وابسته هستند. این دوره به شما میآموزد تا زیرساختهای بازیابی در سطح تولید (Production-grade) را طراحی و بهینه کنید تا بتوانید کاندیدهای مرتبط را از کاتالوگهایی با میلیونها آیتم، در محدودیت زمانی سختگیرانه زیر ۵۰ میلیثانیه استخراج کنید.
در این دوره، مدلهای تجزیه ماتریس توزیعشده (Distributed Matrix Factorization) و رتبهبندی شخصیسازی شده بیزی (BPR) را برای مجموعهدادههای بازخورد ضمنی پیادهسازی خواهید کرد، خطلولههای جاسازی معنایی ترکیبی (Hybrid Semantic Embedding) را برای رفع گلوگاههای شروع سرد (Cold-start) میسازید و مدلهای بازیابی دو-برجی (Two-tower) را برای سرویسدهی آنلاین بهینه میکنید. همچنین شبکههای چند-گامه مبتنی بر گراف را با استفاده از PyTorch Geometric و ترنسفورمرهای علی (Causal Transformers) مبتنی بر توالی را برای پیشبینی آیتم بعدی، بهصورت برنامهنویسی شده در محیطهای Azure Databricks و Azure ML SDK v2 اجرا خواهید کرد.
این دوره برای مهندسان ارشد یادگیری ماشین، مهندسان زیرساخت و معماران پلتفرم داده طراحی شده است که مسئولیت مقیاسبندی سرویسهای بازیابی در کاتالوگهای بزرگ را بر عهده دارند. شما باید با Python، PyTorch و معیارهای ارزیابی اصلی ML مانند Recall@K و NDCG@K آشنا باشید.
همچنین دسترسی به اشتراک فعال Azure با فضای کاری پیکربندی شده Azure Databricks و یک کلاستر پردازشی فعال الزامی است، زیرا فعالیتهای عملی دوره در نوتبوکهای Databricks انجام میشود. تسلط بر FAISS برای ایندکسگذاری برداری و جستجوی شباهت پیش از شروع دوره مورد انتظار است.
نمایش نظرات