آموزش دیپلوی مدل‌های یادگیری ماشین در پروداکشن

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 ... ادامه

ارائه دهنده:  DeepLearning.Ai  DeepLearning.Ai
مدرسان دوره
سطح: مقدماتی
 پلاس
  
زمان مورد نیاز برای گذارندن دوره:  4 ساعت
مجموع محتوای آموزشی:  4 ساعت ویدئو
 (قابل دانلود می‌باشد)
course-feature   زیرنویس فارسی

آنچه در این دوره می‌آموزیم:

 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

پیش‌نیاز‌ها

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.

سرفصل‌های دوره آموزش دیپلوی مدل‌های یادگیری ماشین در پروداکشن

ارائه مدل: معرفی

در این فصل می‌آموزید که چگونه مدل ML خود را در دسترس کاربران نهایی قرار دهید و فرآیند استنتاج را بهینه کنید.

  مقدمه
"04:17  
  مقدمه‌ای بر سرویس‌دهی مدل
"06:14  
  مقدمه‌ای بر زیرساخت سرویس‌دهی مدل
"05:39  
  گزینه‌های دیپلوی
"03:59  
  بهبود تأخیر پیش‌بینی و کاهش هزینه‌های منابع
"05:32  
  ایجاد و استقرار مدل‌ها در پلتفرم پیش‌بینی هوش مصنوعی
"02:59  
  نصب سرویس TensorFlow
"06:34  
ارائه مدل: الگوها و زیرساخت‌ها

در این فصل می‌آموزید چگونه مدل‌ها را ارائه دهید و نتایج استنباط دسته‌ای و بلادرنگ را با ایجاد زیرساخت مقیاس‌پذیر و قابل اعتماد تحویل دهید.

  معماری سرویس‌دهی مدل
"04:42  
  سرورهای مدل: سرویس TensorFlow
"04:00  
  سرورهای مدل: سایر ارائه‌ دهندگان
"05:40  
  زیرساخت مقیاس‌بندی
"10:36  
  استنباط آنلاین
"06:32  
  پیش پردازش داده‌ها
"04:34  
  سناریوهای استنتاج دسته‌ای
"05:51  
  پردازش دسته‌ای با ETL
"03:27  
مدیریت و تحویل مدل

 در این فصل می‌آموزید چگونه فرایندهای ML، خطوط لوله و خودکارسازی گردش کار را که با شیوه‌های مدرن MLOps مطابقت دارد، پیاده‌سازی کنید که به شما امکان می‌دهد پروژه‌های خود را در طول کل چرخه عمر خود مدیریت و حسابرسی کنید.

  ردیابی آزمایش
"08:41  
  ابزارهایی برای ردیابی آزمایش
"08:05  
  مقدمه‌ای بر MLOp
"11:12  
  MLOps سطح صفر
"05:47  
  MLOps سطوح یک و دو
"13:13  
  توسعه مولفه‌ها برای یک گردش کار هماهنگ
"13:19  
  مدیریت نسخه‌های مدل
"07:35  
  تحویل مستمر
"07:37  
  تحویل تدریجی
"08:08  
مانیتورینگ و گزارش‌دهی مدل

در این فصل نحوه شناسایی اقدامات لازم برای انحطاط مدل و جلوگیری از کاهش دقت در یک سیستم تولید پیوسته در حال کار را بررسی خواهید کرد.

  اهمیت نظارت
"06:52  
  قابلیت مشاهده در ML
"04:56  
  نظارت بر اهداف در ML
"04:26  
  ورود به سیستم برای نظارت بر ML
"07:19  
  ردیابی برای سیستم‌های ML
"03:20  
  Model Decay چیست؟
"03:24  
  تشخیص تضعیف مدل
"02:35  
  راه‌هایی برای کاهش تضعیف مدل
"06:03  
  هوش مصنوعی مسئولانه
"05:15  
  الزامات قانونی برای هوش مصنوعی امن و خصوصی
"09:48  
  ناشناس‌ سازی و نام مستعار
"04:13  
  امکان حذف اطلاعات
"09:00  
  جمع‌بندی و خداحافظی
"01:24  

ویژگی‌های دوره

زیرنویس فارسی
زیرنویس فارسی

این دوره دارای زیرنویس اختصاصی است.

درباره دوره

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.

درباره استاد

maktabkhooneh-teacher Andrew Ng

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.

مشاهده پروفایل و دوره‌‌های استاد
maktabkhooneh-teacher Laurence Moroney

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.

مشاهده پروفایل و دوره‌‌های استاد

نظرات کاربران

تا کنون نظری برای این دوره ثبت نشده است. برای ثبت نظر باید ابتدا در دوره ثبت نام کرده و دانشجوی دوره باشید.

دوره‌های پیشنهادی

سوالات پرتکرار

پس از سپری شدن زمان دوره، به محتوای دوره دسترسی خواهم داشت؟
بله؛ پس از سپری شدن مدت زمان دوره شما به محتوای دوره دسترسی خواهید داشت و می توانید از ویدئوها، تمارین، پروژه و دیگر محتوای دوره در صورت وجود استفاده کنید ولی امکان تصحیح تمارین توسط پشتیبان و دریافت گواهی نامه برای شما وجود نخواهد داشت.
poster
  
برگزار کننده:  DeepLearning.Ai
  
زمان مورد نیاز برای گذارندن دوره:  4 ساعت
مجموع محتوای آموزشی:  4 ساعت ویدئو
 (قابل دانلود می‌باشد)
course-feature   زیرنویس فارسی