یادگیری عمیق فولاستک با پایتون (2026)
✅ سرفصل و جزئیات آموزش
یادگیری عمیق فولاستک، کل چرخهی ساخت و استقرار سامانههای یادگیری ماشین را در بر میگیرد؛ از برنامهریزی پروژه و آمادهسازی دادهها تا آموزش مدل، بهینهسازی و استقرار. در این دوره، همراه با مهندس داده Janani Ravi، هر مرحله از این چرخه را در پایتون بررسی میکنید و از MLflow برای MLOps و از Optuna برای تیونینگ ابرپارامترها استفاده میکنید.
یاد میگیرید چگونه آرتیفکت ها و محیطهای یادگیری ماشین را برای بازتولیدپذیری و مقیاسپذیری مدیریت کنید و استقرار مدلها برای ارائه به کاربردهای واقعی را تمرین کنید. با تکمیل این دوره، به مهارتهایی مجهز میشوید که برای خودکارسازی و بهینهسازی فرایندهای یادگیری ماشین و ساخت سامانههای یادگیری عمیق فولاستک از ابتدا تا انتها نیاز دارید.
یادگیری عمیق فولاستک با پایتون (2026)
-
چشمانداز و راهبرد فولاستک 0:04:44
-
یادگیری عمیق فولاستک: MLOps و MLflow 0:05:57
-
پیشنیازها 0:00:37
-
کامپوننت ها: برنامهریزی و گردآوری داده 0:06:19
-
کامپوننت ها: آموزش و استقرار مدل 0:03:57
-
آرتیفکت ها در یادگیری عمیق فولاستک 0:02:33
-
ابزارها: رایانش، ارکستراسیون و آزمایشها 0:04:38
-
ابزارها: نسخهبندی، برچسبگذاری و feature storeها 0:03:52
-
ابزارها: چارچوبهای یادگیری عمیق و اشکالزدایی 0:04:12
-
ابزارها: APIها، رابطهای کاربری، CI/CD و مانیتورینگ 0:05:29
-
عملیات یادگیری ماشین (MLOps) 0:06:01
-
مدیریت چرخهی عمر یادگیری ماشین با MLflow 0:04:19
-
راهاندازی محیط در Google Colab 0:05:27
-
اجرای MLflow و استفاده از ngrok برای دسترسی به رابط کاربری MLflow 0:06:23
-
بارگذاری و بررسی مجموعهداده EMNIST 0:05:29
-
لاگ کردن معیارها، پارامترها و آرتیفکت ها در MLflow 0:07:38
-
راهاندازی مجموعهداده و data loader 0:03:58
-
پیکربندی مدل DNN برای دستهبندی تصویر 0:05:03
-
آموزش یک مدل درون یک اجرای MLflow 0:04:09
-
بررسی پارامترها و معیارها در MLflow 0:05:15
-
انجام پیشبینی با استفاده از آرتیفکت های MLflow 0:05:41
-
آمادهسازی دادهها برای دستهبندی تصویر با استفاده از CNN 0:04:09
-
پیکربندی و آموزش مدل با استفاده از اجراهای MLflow 0:06:26
-
مصورسازی نمودارها، معیارها و پارامترها در MLflow 0:07:07
-
راه اندازی تابع هدف برای تیونینگ ابرپارامترها 0:06:11
-
بهینهسازی ابرپارامترها با Optuna و MLflow 0:06:56
-
شناسایی بهترین مدل 0:03:13
-
رجیستر کردن یک مدل در رجیستری MLflow 0:03:49
-
راهاندازی MLflow روی دستگاه محلی 0:05:02
-
راهحل جایگزین برای دریافت آرتیفکت های مدل روی دستگاه محلی 0:02:41
-
استقرار و ارائهی مدل بهصورت محلی 0:06:41
-
خلاصه و گامهای بعدی 0:01:54
مشخصات آموزش
یادگیری عمیق فولاستک با پایتون (2026)
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:پیشرفته
- تعداد درس:32
- مدت زمان :2:35:50
- حجم :337.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy
آموزش های مرتبط
- زمان: 06:58:57
- تعداد درس: 60
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 02:27:39
- تعداد درس: 24
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 03:02:02
- تعداد درس: 14
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 58:00
- تعداد درس: 12
-
سطح دوره:
-
زبان: دوبله فارسی
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 11:25:13
- تعداد درس: 94
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 08:11:21
- تعداد درس: 28
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 09:44:25
- تعداد درس: 67
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 04:52:43
- تعداد درس: 38
-
سطح دوره:
-
زبان: دوبله فارسی