پلتفرمهای MLOps: Amazon SageMaker و Azure ML
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- بهکارگیری تکنیکهای تحلیل دادههای اکتشافی (EDA) برای مسائل و مجموعههای علم داده
- ایجاد راهحلهای مدلسازی یادگیری ماشین با استفاده از فناوریهای AWS و Azure
- آموزش و استقرار راهحلهای یادگیری ماشین در محیط تولید با استفاده از فناوریهای ابری
توضیحات دوره
در دورهی MLOps (عملیات های یادگیری ماشین): Amazon SageMaker و Azure ML، مهارتهای لازم برای ساخت، آموزش و استقرار راهحلهای یادگیری ماشین در محیط تولید با استفاده از دو پلتفرم ابری پیشرو یعنی Amazon Web Services (AWS) و Microsoft Azure را یاد خواهید گرفت. این دوره همچنین منبع خوبی برای افرادی است که به دنبال آمادهسازی برای گواهینامههای یادگیری ماشین AWS یا Azure هستند یا در حال کار (یا برای کار) به عنوان دانشمندان داده، مهندسان نرمافزار، توسعهدهندگان نرمافزار، تحلیلگران داده یا سایر نقشهایی هستند که از یادگیری ماشین استفاده میکنند.
از طریق سری از تمرینهای عملی، شما درک عمیقی از الگوریتمهای پایه یادگیری ماشین و تجربه عملی در کار با این پلتفرمهای ابری پیشرو کسب خواهید کرد. در پایان دوره، قادر خواهید بود تا راهحلهای یادگیری ماشین را در یک محیط تولید با استفاده از فناوریهای AWS و Azure مستقر کنید.
هفته 1. بررسی مهندسی داده با فناوری AWS. ما به بررسی موضوعاتی از جمله شروع کار با یادگیری ماشین در AWS، ایجاد مخازن داده و شناسایی و پیادهسازی راهحلها برای ورود و تبدیل دادهها خواهیم پرداخت.
هفته 2. کسب مهارتهای پایه علم داده با فناوری AWS. شما تکنیکهای پاکسازی داده، مهندسی ویژگی، تحلیل داده و مصورسازی داده برای یادگیری ماشین را یاد خواهید گرفت. ما تأکید داریم بر استفاده از راهحلهای بدون سرور که در AWS موجود هستند تا فرآیند کارآمدتر شود.
هفته 3. یادگیری مدلهای یادگیری ماشین با فناوری AWS. ما بررسی خواهیم کرد که چگونه مدلهای مناسب را برای تسک مشخص انتخاب کنیم، ابرپارامترها را انتخاب کنیم، مدلها را در این پلتفرم آموزش بدهیم و مدلها را ارزیابی کنیم.
هفته 4. یادگیری MLOps با AWS: مرحله نهایی استقرار یادگیری ماشین در محیط تولید. ما به بررسی موضوعاتی از جمله عملیاتیسازی یک مدل یادگیری ماشین، تصمیمگیری بین CPU و GPU و استقرار و نگهداری مدل خواهیم پرداخت.
هفته 5. یادگیری نحوه کار با دادهها و یادگیری ماشین در یک پلتفرم ابری دیگر: Azure ML.
پلتفرمهای MLOps: Amazon SageMaker و Azure ML
-
آشنا شوید با مدرس دوره: نوآ گف 3:44
-
استفاده از آزمایشگاه Sagemaker Studio 7:03
-
شروع کار با AWS CloudShell 12:00
-
مزایای استفاده از فضاهای کاری توسعهدهندگان ابری 4:11
-
پروتوتایپسازی APIهای AI در CloudShell 12:39
-
Cloud9 با ابزار برنامهنویسی جفت AWS Codewhisperer AI 9:16
-
معرفی ذخیرهسازی داده 1:26
-
تعیین رسانه ذخیرهسازی صحیح 3:31
-
کار با Amazon S3 6:42
-
استایل های جاب Batch در مقابل استریمینگ 2:28
-
معرفی ورود داده و پایپ لاین های پردازش 2:09
-
کار با AWS Batch 3:27
-
کار با AWS Step Functions 8:22
-
تبدیل داده در حال انتقال 2:00
-
مدیریت Map Reduce برای یادگیری ماشین 1:53
-
کار با EMR بدون سرور 1:09
-
با مدرس پشتیبان خود آشنا شوید: آلفردو دزا None
-
ساختار دوره و آداب بحث None
-
آغاز کار و نکات مهم دوره None
-
اصطلاحات کلیدی None
-
به بنیادهای یادگیری ماشین AWS Academy خوش آمدید None
-
مثالهای Studio Lab None
-
پیوستن به AWS Academy (اختیاری) None
-
بازتاب درس None
-
اصطلاحات کلیدی None
-
توسعه راهحلهای ذخیرهسازی AWS None
-
دریاچههای داده با Amazon S3 None
-
بازتاب درس None
-
اصطلاحات کلیدی None
-
چالش برنامهنویسی پایپ لاین تعاملی Marco Polo None
-
بازتاب درس None
-
پاکسازی دادهها 1:26
-
مقیاسگذاری داده 1:28
-
برچسبگذاری دادهها 1:22
-
شناسایی و استخراج ویژگیها 1:41
-
مفاهیم مهندسی ویژگی 1:32
-
نقشهبرداری دادهها 3:44
-
خوشهبندی دادهها 2:06
-
اصطلاحات کلیدی None
-
معرفی AWS Academy به یادگیری ماشین None
-
منابع AWS برای تحلیل دادههای اکتشافی None
-
بازتاب درس None
-
اصطلاحات کلیدی None
-
مهندسی ویژگی با scikit-learn در Databricks None
-
بازتاب درس None
-
اصطلاحات کلیدی None
-
بازتاب درس None
-
چه زمانی باید از یادگیری ماشین استفاده کرد؟ 1:51
-
یادگیری ماشین نظارتشده در مقابل بدون نظارت 2:20
-
انتخاب یک راهحل یادگیری ماشین 1:56
-
انتخاب یک مدل یادگیری ماشین 1:59
-
دمو مدلسازی با Sagemaker Canvas 5:18
-
استفاده از آموزش، تست و تقسیم 1:55
-
حل مشکلات بهینهسازی 2:14
-
انتخاب GPU در مقابل CPU 1:11
-
معماری شبکه عصبی 2:00
-
Overfitting در مقابل Underfitting 1:57
-
انتخاب معیارها 5:54
-
مقایسه مدلها با استفاده از ردیابی آزمایشها 1:27
-
اصطلاحات کلیدی None
-
معرفی پیادهسازی یک پایپ لاین یادگیری ماشین با Amazon SageMaker None
-
بازتاب درس None
-
اصطلاحات کلیدی None
-
معرفی پیشبینی در Sagemaker None
-
کاهش گرادیان تعاملی None
-
بازتاب درس None
-
اصطلاحات کلیدی None
-
معرفی بینایی کامپیوتری None
-
تمرین بیشتر: آموزش یک مدل دستهبندی تصویر با PyTorch None
-
بازتاب درس None
-
نظارت و لاگ کردن 1:20
-
Multiple Regions 1:30
-
گردش کارهای قابل بازتولید 1:20
-
DevOps با طعم AWS 1:33
-
بررسی انتخابهای رایانش 1:09
-
تأمین EC2 1:24
-
تأمین EBS 1:18
-
خدمات AI ML AWS 4:02
-
اصل حداقل امتیاز در AWS Lambda 1:17
-
امنیت یکپارچه 1:58
-
مروری بر روند کار Sagemaker Studio 2:49
-
پیشبینیهای مدل با Sagemaker Canvas 1:52
-
Data Drift و نظارت بر مدل 1:14
-
اجرای PyTorch با AWS App Runner 7:46
-
اصطلاحات کلیدی None
-
معرفی پردازش زبان طبیعی None
-
لاگکردن تعاملی Python None
-
بازتاب درس None
-
اصطلاحات کلیدی None
-
تمرین بیشتر: استقرار یک مدل پیشآموزش دادهشده Hugging Face در Amazon SageMaker None
-
بازتاب درس None
-
اصطلاحات کلیدی None
-
تمرین بیشتر: استقرار مدلها برای استنتاج None
-
گواهینامه تخصصی یادگیری ماشین AWS None
-
آزمایشگاه خارجی: الگوی MLOps در GitHub None
-
بازتاب درس None
-
معرفی گواهینامههای Azure 2:01
-
منابع یادگیری برای گواهینامههای Azure 8:26
-
مسیرهای یادگیری و یادداشتهای مطالعه مایکروسافت 6:06
-
ایجاد یک فضای کاری Azure ML 6:22
-
ایجاد یک شغل Azure Auto ML 14:28
-
مفاهیم مقدماتی Azure ML و MLOps 0:41
-
فناوری پیش نیاز 1:13
-
استقرار به صورت بلادرنگ و Batch 2:10
-
مجموعه دادههای باز Azure 3:18
-
بررسی SDK مجموعه دادههای باز 1:42
-
مفاهیم پیشرفتهتر Azure ML و MLOps 1:27
-
بررسی خط فرمان Azure ML 3:23
-
راهاندازی Azure ML با GitHub 2:34
-
استفاده از ابرپارامترها 3:04
-
آموزش یک مدل با استفاده از Python SDK 6:17
-
اصطلاحات کلیدی None
-
بازتاب درس None
-
اصطلاحات کلیدی None
-
بازتاب درس None
-
اصطلاحات کلیدی None
-
بازتاب درس None
-
گامهای بعدی None
مشخصات آموزش
پلتفرمهای MLOps: Amazon SageMaker و Azure ML
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:پیشرفته
- تعداد درس:118
- مدت زمان :03:39:05
- حجم :455.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy