نحوه پیادهسازی مدلهای ماشین لرنینگ
چگونگی در دسترس قراردادن این مدلها برای کاربران نهایی
ایجاد زیرساخت سختافزاری مقیاسپذیر و قابل اعتماد برای تحویل درخواستهای استنباط بهصورت بلادرنگ و دستهای
نحوه پیادهسازی گردشکار خودکارسازی و تحویل پیشرفته مطابق با شیوههای فعلی MLOps
برای درک و استفاده بهتر از این دوره، درک یادگیری ماشین و مفاهیم یادگیری عمیق ضروری است، اما اگر به دنبال شغلی حرفهای و موثر در هوش مصنوعی هستید، به مهارتهای مهندسی پروداکشن نیز نیاز دارید.
در این دوره، یاد خواهید گرفت که چگونه مدلهای یادگیری ماشین را پیادهسازی و در دسترس کاربران نهایی قرار دهید. زیرساخت سختافزاری مقیاسپذیر و قابل اعتمادی را برای تحویل درخواستهای استنباط (Inference) هم بهصورت بلادرنگ و هم بهصورت دستهای، بسته به کاربرد، ایجاد خواهید کرد.
همچنین، گردشکار خودکارسازی و تحویل پیشرفته (Progressive Delivery) را که با شیوههای فعلی MLOps مطابقت دارد، پیادهسازی خواهید کرد تا سیستم تولید شما بتواند بهطور پیوسته کار کند. علاوه بر این، بهطور پیوسته سیستم خود را برای تشخیص انحطاط مدل، رفع افت عملکرد و جلوگیری از خرابی سیستم مانیتورینگ خواهید کرد تا بتواند در همه زمانها بهطور پیوسته کار کند.
برای استفاده از این دوره درک مفاهیم یادگیری ماشین و یادگیری عمیق ضروری است، اما اگر به دنبال شغل در هوش مصنوعی هستید، به قابلیتهای مهندسی پروداکشن نیز نیاز دارید. مهندسی یادگیری ماشین برای پروداکشن مفاهیم بنیادی یادگیری ماشین را با تخصص کاربردی نقشهای توسعه نرمافزار و مهندسی مدرن ترکیب میکند تا به شما در توسعه مهارتهای آماده تولید کمک کند.
اندرو انگ استاد دانشکده علوم کامپیوتر دانشگاه استنفورد و سرپرست آزمایشگاه هوش مصنوعی استنفورد است. وی هم چنین بنیانگذار کورسرا (coursera.org) است و بر اساس گزارش تکنولوژی دانشگاه ام ای تی یکی از 35 مخترع برتر جوان دنیا است.
او دکتری خود را از دانشگاه کالیفرنیا برکلی گرفته و زمینههای پژوهش او هوش مصنوعی و علوم رباتیک است.
Laurence Moroney رهبری تیم AI Advocacy در گوگل را برعهده دارد. هدف و چشمانداز او این است که هوش مصنوعی را برای برنامهنویسان آسان کند و دسترسی همه را به مشاغل ML افزایش دهد. Laurence نویسنده دهها کتاب برنامهنویسی است که از جدیدترین آنها میتوان به «AI and ML for Coders» در O’Reilly اشاره کرد.