دوره آموزشی ملزومات MLOps: توسعه و ادغام مدل
1 ساعت 31 دقیقهمتوسط2022-09-16
مدرسین

Kumaran Ponnambalam
Working with data for 20+ years
جزئیات دوره
عملیات یادگیری ماشین (MLOps) یک دامنه در حال رشد در زمینه هوش مصنوعی است. همانطور که مدل های بیشتری در تولید مستقر می شوند، نیاز به چرخه عمر ML ساختار یافته، چابک و سرتاسر با اتوماسیون چند برابر شده است. MLOps ساختاری برای پروژه های یادگیری ماشینی فراهم می کند و به آنها کمک می کند در درازمدت موفق شوند. در این دوره، مربی Kumaran Ponnambalam بر مفاهیم کلیدی MLOps تمرکز میکند و به شما کمک میکند این مفاهیم را در کار روزانه ML خود اعمال کنید. کوماران شما را با چرخه زندگی یادگیری ماشین آشنا میکند و چالشهای منحصربهفرد با ML و همچنین تعاریف و اصول مهم را توضیح میدهد. او شما را از طریق الزامات و طراحی پروژه های ML راهنمایی می کند، سپس به پردازش و مدیریت داده ها می پردازد. کوماران ابزارها و فناوری های مختلفی را توضیح می دهد که می توانید در اتوماسیون و مدیریت آموزش مداوم از آنها استفاده کنید. او بهترین شیوهها را برای مدیریت مدل پوشش میدهد، سپس دستورالعملهای مفصلی را در مورد ادغام مداوم ارائه میدهد.
مهارت ها
Machine LearningArtificial Intelligence (AI)Deep Dive (X:Y)
سرفصل ها
0. مقدمه
- 01 - شروع کار با MLOs
- 02 - محدوده و پیش نیازها
1. مقدمه ای بر MLOps
- 03 - چرخه زندگی یادگیری ماشینی
- 04 - چالش های منحصر به فرد با ML
- 05 - DevOps چیست
- 06 - MLOps چیست
- 07 - اصول MLOps
- 08 - زمان شروع MLO ها
2. الزامات و طراحی
- 09 - انتخاب پروژه های ML
- 10 - ایجاد الزامات
- 11 - طراحی گردش کار ML
- 12 - جمع آوری تیم
- 13 - انتخاب ابزار و فناوری
3. پردازش و مدیریت داده ها
- 14 - خطوط لوله داده مدیریت شده
- 15 - اعتبار سنجی خودکار داده ها
- 16 - فروشگاه های ویژگی های مدیریت شده
- 17 - نسخه سازی داده ها
- 18 - حاکمیت داده
- 19 - ابزارها و فناوری های پردازش داده ها
4. آموزش مستمر
- 20 - خطوط لوله آموزشی مدیریت شده
- 21 - ایجاد برچسب داده ها
- 22 - ردیابی آزمایشی
- 23 - AutoML
- 24 - ابزار و فن آوری برای آموزش
5. مدیریت مدل
- 25 - نسخه سازی مدل
- 26 - رجیستری مدل
- 27 - مدل های محک زدن
- 28 - مدل مدیریت چرخه عمر
- 29 - ابزارها و فناوری های مدیریت مدل
6. یکپارچه سازی مداوم
- 30 - خطوط لوله یکپارچه سازی راه حل
- 31 - نوت بوک به نرم افزار
- 32 - الگوهای ادغام راه حل
- 33 - بهترین شیوه ها برای یکپارچه سازی راه حل ها
نتیجه
- 34 - با MLO ها ادامه دهید
دوره های مرتبط
- دوره آموزشی ادغام دادهها و توسعه API برای اپلیکیشنهای هوش مصنوعی
- دوره آموزشی ضروریات MLOps با Azure: بخش سوم پروژه های اسپارک MLflow روی Databricks
- دوره آموزشی ضروریات MLOps با Azure: بخش چهارم Spark MLflow Models و Model Registry
- 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 مدلهای زبان بزرگ در AWS: ساخت و استقرار مدلهای زبان بزرگ متنباز
- دوره آموزشی راهنمای کامل اصول پایتون برای MLOps
- دوره آموزشی ملزومات MLOps: استقرار و نظارت مدل
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 کار با داده: مهندسی، یکپارچهسازی و MLOps برای هوش مصنوعی
- مسیر آموزشی توسعه مهارت های Rust خود برای مهندسی داده
- مسیر آموزشی کاوش در هوش مصنوعی برای مهندسی داده
- مسیر آموزشی ساخت محصولات هوش مصنوعی: گواهینامه حرفهای معماری و ارکستراسیون
- مسیر آموزشی تبدیل شدن به یک مهندس هوش مصنوعی
- مسیر آموزشی Masterpath در رهبری تجزیه و تحلیل برای مدیران