راهنمای اجرایی استقرار، نظارت و نگهداری مدل ها
✅ سرفصل و جزئیات آموزش
بخش استقرار، نظارت و نگهداری مدل ها در MLOps برای پروژه های ML را بررسی کنید.
با پیشرفت های اخیر در فضای AI، گردش کارهای استقرار، نظارت و نگهداری مدل های ML تغییر کرده است. در این دوره، کیت مک کورمیک، یک داده کاو مستقل، مدرس، سخنران و نویسنده، فازهای یک پروژه ML را تجزیه می کند و شما را ارزیابی، امتیازدهی، استقرار و نگهداری مدل راهنمایی می کند. در مورد مهندسی داده و MLOps در چرخه عمر ML و همچنین مبانی مدل سازی ML یاد بگیرید.
یک چک لیست استقرار مفید دریافت کنید که می توانید در ارزیابی مدل از آن استفاده کنید. درک کنید چگونه مدل های سنتی ML، یک مدل جعبه سیاه و یک ensemble را امتیازدهی کنید. امتیازدهی دسته ای و بلادرنگ را بررسی کنید. علاوه بر این موارد، نظارت بر مدل ها و بهترین تناوب برای بازسازی مدل را بررسی کنید.
راهنمای اجرایی استقرار، نظارت و نگهداری مدل ها
-
داده و یادگیری ماشین نظارت شده 0:02:09
-
مهندسی داده و MLOps در چرخه عمر ML 0:04:05
-
چرا پروژه های ML در استقرار شکست می خورند؟ 0:03:59
-
مبانی مدل سازی ML 0:03:24
-
فاز ارزیابی کسب و کار 0:03:32
-
چک لیست استقرار 0:04:46
-
امتیازدهی مدل های سنتی ML 0:03:34
-
امتیازدهی یک مدل جعبه سیاه 0:03:34
-
امتیازدهی یک ensemble 0:02:56
-
امتیازدهی دسته ای در مقابل بلادرنگ 0:06:02
-
امتیازدهی و آماده سازی داده 0:04:20
-
ترکیب امتیاز دهی دسته ای و بلادرنگ 0:02:10
-
نظارت بر مدل چیست؟ 0:05:49
-
چند وقت یکبار باید بازسازی کنیم؟ 0:05:34
مشخصات آموزش
راهنمای اجرایی استقرار، نظارت و نگهداری مدل ها
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:مقدماتی
- تعداد درس:14
- مدت زمان :0:57:44
- حجم :153.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy