آموزش خط لوله‌های یادگیری ماشین (ML Pipelines) و ردیابی آزمایش‌ها در Azure Machine Learning - آخرین آپدیت

سرفصل ها و درس ها

مقدمه‌ای بر خط لوله‌های ML در Azure ML Introduction to ML Pipelines in Azure ML

• آشنایی با Azure ML Pipeline Introduction to Azure ML Pipeline

• اجزای یک خط لوله در Azure ML Components of a Pipeline in Azure ML

• دمو: ساخت خط لوله با استفاده از Azure ML Studio (Designer) Demo: Build a Pipeline Using Azure ML Studio (Designer)

• دمو: ایجاد خط لوله با Azure ML SDK (v2) Demo: Create a Pipeline with Azure ML SDK (v2)

ارسال و نظارت بر جاب‌های خط لوله Submitting and Monitoring Pipeline Jobs

• درک نحوه عملکرد ارسال خط لوله Understanding How Pipeline Submission Works

• دمو: ارسال و نظارت بر خط لوله از طریق Azure Studio Demo: Submit and Monitor Pipeline from Azure Studio

• دمو: ارسال و نظارت بر خط لوله با استفاده از Python SDK Demo: Submit and Monitor Pipeline Using Python SDK

• مدیریت خطاهای خط لوله و تلاش مجدد برای مراحل Handling Pipeline Failures and Step Retries

ردیابی آزمایش‌ها و ارزیابی مدل Experiment Tracking and Model Evaluation

• ردیابی آزمایش در Azure ML چیست؟ What Is Experiment Tracking in Azure ML?

• دمو: ثبت و مشاهده متریک‌ها با ML SDK Demo: Log and View Metrics with ML SDK

• دمو: مقایسه اجراها در Azure ML Studio Demo: Compare Runs in Azure ML Studio

• ارزیابی و انتخاب بهترین اجرا برای استقرار Evaluate and Select Best Run for Deployment