دوره آموزشی MLOps با Databricks
1 ساعت 9 دقیقهمتوسط2024-12-19
مدرسین

Maria Vechtomova
جزئیات دوره
دوره آموزشی استقرار مدلهای یادگیری ماشین با استفاده از پلتفرم Databricks به شما کمک میکند تا فرآیندهای پیچیده را بهطور مؤثر مدیریت کنید و مدلهای خود را بهطور روان به محیط تولید منتقل کنید. در این دوره، شما با ابزارها و تکنیکهای مورد نیاز برای استفاده از قابلیتهای پیشرفته Databricks آشنا خواهید شد.
با یادگیری استفاده از Unity Catalog برای مهندسی ویژگیها، قادر خواهید بود دادههای خود را بهطور مؤثر مدیریت کرده و ویژگیهای مهم را برای آموزش مدل استخراج کنید. همچنین با آشنایی با سیستم ردیابی آزمایشات در mlflow، میتوانید عملکرد مدلهای خود را کنترل کرده و بهطور دقیق فرآیندهای آزمایشی را ثبت و نظارت کنید.
یکی از نکات کلیدی دوره این است که شما بهطور مفصل با نحوه بستهبندی کد پایتون و استفاده از بهترین شیوهها برای استقرار پروژههای خود از طریق Databricks Asset Bundles آشنا خواهید شد. این بستهها به شما امکان میدهند تا پروژههای خود را بهراحتی بستهبندی کرده و آنها را در Databricks استقرار دهید.
در این دوره، نظارت بر برنامههای ML بهویژه از طریق جداول استنتاج و ابزارهای نظارت بر Lakehouse نیز بررسی میشود. این ابزارها به شما کمک میکنند تا عملکرد مدلهای خود را پس از استقرار نظارت کنید و بهینهسازیهای لازم را اعمال نمایید.
در نهایت، این دوره برای متخصصین یادگیری ماشین و مهندسان داده که قصد دارند مدلهای خود را در محیطهای تولیدی بهطور مؤثر استقرار دهند و نظارت کنند، بسیار مفید خواهد بود.
با یادگیری استفاده از Unity Catalog برای مهندسی ویژگیها، قادر خواهید بود دادههای خود را بهطور مؤثر مدیریت کرده و ویژگیهای مهم را برای آموزش مدل استخراج کنید. همچنین با آشنایی با سیستم ردیابی آزمایشات در mlflow، میتوانید عملکرد مدلهای خود را کنترل کرده و بهطور دقیق فرآیندهای آزمایشی را ثبت و نظارت کنید.
یکی از نکات کلیدی دوره این است که شما بهطور مفصل با نحوه بستهبندی کد پایتون و استفاده از بهترین شیوهها برای استقرار پروژههای خود از طریق Databricks Asset Bundles آشنا خواهید شد. این بستهها به شما امکان میدهند تا پروژههای خود را بهراحتی بستهبندی کرده و آنها را در Databricks استقرار دهید.
در این دوره، نظارت بر برنامههای ML بهویژه از طریق جداول استنتاج و ابزارهای نظارت بر Lakehouse نیز بررسی میشود. این ابزارها به شما کمک میکنند تا عملکرد مدلهای خود را پس از استقرار نظارت کنید و بهینهسازیهای لازم را اعمال نمایید.
در نهایت، این دوره برای متخصصین یادگیری ماشین و مهندسان داده که قصد دارند مدلهای خود را در محیطهای تولیدی بهطور مؤثر استقرار دهند و نظارت کنند، بسیار مفید خواهد بود.
مهارت ها
DatabricksCloud DevelopmentMachine LearningData EngineeringArtificial Intelligence (AI)Cloud ComputingData ScienceOne-Off
سرفصل ها
0. مقدمه
- 01 - زمان تولید را با MLOها کاهش دهید
1. مولفهها و اصول MLOps
- 02 - اجزای MLOps
- 03 - اصول MLOps
- 04 - اجزای MLO بر روی Databricks
2. MLflow
- 05 - مقدمه ای بر MLflow
- 06 - محیط را تنظیم و مجموعه داده را آماده کنید
- 07 - ردیابی آزمایش MLflow
- 08 - ورود مدل به MLflow
- 09 - مدلهای سفارشی در MLflow
- 10 - ثبت مدلها در کاتالوگ یونیتی
3. مهندسی ویژگی در Databricks
- 11 - مقدمه ای بر مهندسی ویژگی
- 12 - جدول ویژگی و عملکرد ویژگی
- 13 - آموزش، ثبت و ثبت مدلهایی که از ویژگیهای درخواستی استفاده میکنند
4. ویژگی و مدل سرویس
- 14 - زمان استفاده از Feature Serving در مقابل Model Serving
- 15 - یک FeatureSpec برای سرویس ویژگی ایجاد کنید
- 16 - نقاط پایانی سرویس دهی را مستقر کنید
- 17 - درخواستها را به نقاط پایانی خدمت ارسال کنید
5. استقرار برنامه با استفاده از Databricks Asset Bundles
- 18 - شروع کار با DAB
- 19 - اجزای گردش کار Databricks را تعریف کنید
- 20 - Databricks Asset Bundle را تعریف و اجرا کنید
6. نقاط پایانی خود را با استفاده از جداول استنتاج و مانیتورینگ Lakehouse نظارت کنید
- 21 - مقدمه ای بر مانیتورینگ لیک هاوس
- 22 - جدول استنتاج را تنظیم، تجزیهوتحلیل و پردازش کنید
- 23 - Databricks Lakehouse Monitoring را راهاندازی کنید
نتیجه گیری
- 24 - تسلط بر MLO - سفر شما آغاز میشود
دوره های مرتبط
- دوره آموزشی ضروریات MLOps با Azure: بخش دوم Databricks MLflow و MLflow Tracking
- دوره آموزشی ضروریات MLOps با Azure: بخش اول مقدمه
- 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 یادگیری Vertex هوش مصنوعی: MLOps با Google Cloud
- دوره آموزشی آمازون SageMaker برای کاربردهای هوش مصنوعی مولد
- دوره آموزشی آمادگی گواهینامه GitHub Administration: بخش پنجم فعال سازی توسعه و انطباق نرم افزار ایمن
- دوره آموزشی AI Show: مقیاسبندی تمرینهای AI/ML خود با MLOps و یادگیری ماشینی Azure
مسیرهای مرتبط
- مسیر آموزشی آماده شدن برای گواهینامه Databricks Certified Data Engineer Associate
- مسیر آموزشی آماده شدن برای گواهینامه Azure Data Engineer Associate (DP-203)
- مسیر آموزشی آماده شدن برای گواهینامه Azure Data Scientist Associate (DP-100)
- مسیر آموزشی کاوش در هوش مصنوعی برای مهندسی داده
- مسیر آموزشی توسعه مهارت های هوش مصنوعی خود با Google Gemini و Google Cloud Platform
- مسیر آموزشی آماده شدن برای گواهینامه GitHub Administration
- مسیر آموزشی کار با داده: مهندسی، یکپارچهسازی و MLOps برای هوش مصنوعی
- مسیر آموزشی مدیریت مدلهای زبان بزرگ (LLMs) با LLMOps