آموزش MLOps با Databricks
✅ سرفصل و جزئیات آموزش
در این دوره، کارشناس MLOps، ماریا وختوموا کامپوننتهای و اصولی را معرفی میکند که باید برای موفقیت در استقرار مدلهای یادگیری ماشین در تولید روی Databricks درک کنید. شما به فرآیند گام به گام استفاده از مهندسی ویژگی در Unity Catalog، ردیابی تستهای مدل در mlflow، رجیستر یک مدل در Unity Catalog و استقرار مدل خود با استفاده از سرویسدهی مدل Databricks میپردازید.
شما یوزکیسهای را بررسی میکنید که در آنها میتوان از سرویسدهی ویژگی استفاده کرد و می آموزید چگونه اندپوینت سرویسدهی ویژگی را مستقر کنید. علاوه بر این، یاد میگیرید چگونه کد خود را بستهبندی کنید، پروژه خود را با استفاده از باندلهای دارایی Databricks مستقر کنید و اپلیکیشن یادگیری ماشین خود را با استفاده از جداول استنباط و نظارت Lakehouse نظارت کنید.
آموزش MLOps با Databricks
-
کاهش زمان به تولید با MLOps 0:00:55
-
کامپوننتهای MLOps 0:03:14
-
اصول MLOps 0:02:49
-
کامپوننتهای MLOps در Databricks 0:00:47
-
آشنایی با MLflow 0:02:00
-
راهاندازی محیط و آمادهسازی مجموعه داده 0:03:28
-
ردیابی تست در MLflow 0:02:27
-
لاگ کردن مدل در MLflow 0:02:28
-
مدلهای سفارشی در MLflow 0:03:00
-
رجیستر مدلها در Unity Catalog 0:04:09
-
آشنایی با مهندسی ویژگی 0:01:20
-
جدول ویژگی و تابع ویژگی 0:02:50
-
آموزش، لاگ کردن و رجیستر مدلهایی که از ویژگیهای درخواستی استفاده میکنند 0:02:45
-
چه زمانی از سرویسدهی ویژگی در مقابل سرویسدهی مدل استفاده کنیم؟ 0:02:35
-
ایجاد یک FeatureSpec برای سرویسدهی ویژگی 0:02:57
-
استقرار اندپوینتهای سرویسدهی 0:04:20
-
ارسال درخواستها به اندپوینتهای سرویسدهی 0:03:08
-
آغاز کار با DABs 0:03:54
-
تعریف کامپوننتهای گردش کار Databricks 0:03:53
-
تعریف و استقرار باندل دارایی Databricks 0:03:56
-
آشنایی با نظارت Lakehouse 0:04:47
-
راهاندازی، تحلیل و پردازش جدول استنباط 0:03:29
-
راهاندازی نظارت بر Lakehouse در Databricks 0:03:33
-
تسلط به MLOps - سفر شما آغاز میشود 0:00:34
مشخصات آموزش
آموزش MLOps با Databricks
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:متوسط
- تعداد درس:24
- مدت زمان :1:09:18
- حجم :166.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy