دوره آموزشی ملزومات MLOps: استقرار و نظارت مدل
1 ساعت 24 دقیقهمتوسط2022-10-07
مدرسین

Kumaran Ponnambalam
Working with data for 20+ years
جزئیات دوره
عملیات یادگیری ماشین (MLOps) یکی از زیرشاخههای هوش مصنوعی است که سریعترین رشد را دارد. همانطور که مدلهای بیشتر و بیشتری در تولید به کار میروند، نیاز به چرخه زندگی یادگیری ماشینی ساختاریافته، چابک، سرتاسر و خودکار رو به افزایش است. در این دوره، مربی Kumaran Ponnambalam به شما نشان میدهد که چگونه مفاهیم کلیدی MLOs را برای ایجاد نتایج ساختاریافته و بهبود یافته در گردش کار روزمره خود به کار ببرید.
برای راه اندازی و اجرای پروژه یادگیری ماشین بعدی خود، اصول MLOps را کاوش کنید. دریابید که چرا بسیاری از دانشمندان داده، مهندسان و مدیران پروژه در مورد مدلهای ML بسیار هیجانزده هستند، زیرا شما به تنهایی نکات و نکات مربوط به استقرار و نظارت موفق مدلها را کشف میکنید. کوماران از تحویل مداوم گرفته تا سرویس مدل و نظارت مستمر تا مدیریت دریفت، شما را به مهارتهایی مجهز میکند که برای شروع تمرین هوش مصنوعی مؤثر، منصفانه، قابل توضیح و مسئولانه نیاز دارید.
برای راه اندازی و اجرای پروژه یادگیری ماشین بعدی خود، اصول MLOps را کاوش کنید. دریابید که چرا بسیاری از دانشمندان داده، مهندسان و مدیران پروژه در مورد مدلهای ML بسیار هیجانزده هستند، زیرا شما به تنهایی نکات و نکات مربوط به استقرار و نظارت موفق مدلها را کشف میکنید. کوماران از تحویل مداوم گرفته تا سرویس مدل و نظارت مستمر تا مدیریت دریفت، شما را به مهارتهایی مجهز میکند که برای شروع تمرین هوش مصنوعی مؤثر، منصفانه، قابل توضیح و مسئولانه نیاز دارید.
مهارت ها
Machine LearningArtificial Intelligence (AI)Deep Dive (X:Y)
سرفصل ها
0. مقدمه
- 01 - شروع کار با MLOs
- 02 - پوشش دوره
- 03 - بررسی چرخه حیات MLOps
1. تحویل مستمر
- 04 - تنظیم تولید ML
- 05 - خطوط لوله استقرار
- 06 - استقرار استراتژی های عرضه
- 07 - برنامه ریزی برای زیرساخت ها
- 08 - بهترین شیوه های استقرار
- 09 - ابزار و فن آوری برای استقرار
2. مدل سرویس
- 10 - الگوهای سرو را مدل کنید
- 11 - سرويس مدل رسوب گذاري
- 12 - ایجاد تاب آوری در خدمت
- 13 - سرویس دهی چند مدل
- 14 - ابزار و فن آوری برای خدمت
3. نظارت مستمر
- 15 - خط لوله نظارت
- 16 - ابزار قابل مشاهده
- 17 - معیارهایی برای نظارت
- 18 - بهترین شیوه های تولید داده های ML
- 19 - هشدارها و آستانه های ML
- 20 - ابزارها و فناوری های نظارت
4. مدیریت دریفت
- 21 - مقدمه ای بر مدل دریفت
- 22 - مبانی دریفت مفهومی
- 23 - مدیریت رانش مفهوم
- 24 - اصول دریفت ویژگی
- 25 - مدیریت دریفت ویژگی
5. هوش مصنوعی مسئول
- 26 - عناصر هوش مصنوعی مسئول
- 27 - هوش مصنوعی قابل توضیح
- 28 - انصاف در ML
- 29 - امنیت دارایی های ML
- 30 - حریم خصوصی در یادگیری ماشینی
نتیجه
- 31 - با MLO ها ادامه دهید
دوره های مرتبط
- دوره آموزشی ملزومات MLOps: توسعه و ادغام مدل
- دوره آموزشی ملزومات MLOps: مانیتورینگ مدل دریفت و تعصب
- دوره آموزشی ضروریات MLOps با Azure: بخش چهارم Spark MLflow Models و Model Registry
- دوره آموزشی ضروریات MLOps با Azure: بخش سوم پروژه های اسپارک MLflow روی Databricks
- دوره آموزشی ضروریات MLOps با Azure: بخش دوم Databricks MLflow و MLflow Tracking
- دوره آموزشی یادگیری جامع Google Cloud Platform برای Machine Learning
- دوره آموزشی ادغام دادهها و توسعه API برای اپلیکیشنهای هوش مصنوعی
- دوره آموزشی مدلهای زبان بزرگ در AWS: ساخت و استقرار مدلهای زبان بزرگ متنباز
مسیرهای مرتبط
- مسیر آموزشی ملزومات MLOps برای برنامهنویسها و مهندسان هوش مصنوعی: ابزارها، پایپلاینها و نکات امنیتی
- مسیر آموزشی توسعه مهارت های هوش مصنوعی خود با Google Gemini و Google Cloud Platform
- مسیر آموزشی Masterpath در رهبری تجزیه و تحلیل برای مدیران
- مسیر آموزشی کار با داده: مهندسی، یکپارچهسازی و MLOps برای هوش مصنوعی
- مسیر آموزشی ساخت محصولات هوش مصنوعی: گواهینامه حرفهای معماری و ارکستراسیون
- مسیر آموزشی پیمایش در اکوسیستم هوش مصنوعی
- مسیر آموزشی تبدیل شدن به یک مهندس هوش مصنوعی
- مسیر آموزشی توسعه مهارت های Rust خود برای مهندسی داده