×
ribbon

آموزش دیپلوی مدل‌های یادگیری ماشین در پروداکشن

مدرس:DeepLearning.Ai

Andrew NgLaurence Moroney

در این دوره، یاد خواهید گرفت که چگونه مدل های یادگیری ماشین را پیاده سازی و در دسترس... بیشتر
زیرنویس
4.5 (4)
2 دیدگاه
456دانشجو
4ساعت
سرفصل‌ها
مقدماتی سطح دوره

اشتراک مکتب‌پلاس

خرید اشتراک

با خرید اشتراک مکتب‌پلاس، علاوه بر این دوره، به بیش از ۴،۰۰۰ دوره دیگر دسترسی خواهید داشت.

دسترسی به تمام دوره‌هابیش از ۴،۰۰۰ دوره
محتوای دوره
سرفصل‌ها
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

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

این دوره شامل:

4 ساعت ویدئو

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

4 فصل37 جلسه4 ساعت ویدیو
ارائه مدل: معرفی
  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
  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
  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
  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

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.

توضیحات 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.

دیدگاه کاربران

4.5

بر اساس امتیاز 4 دانشجو

1
2
3
4
5

بهزاد مقدم

1 ماه پیش

5

excellent

الهام محمدجانی

1 ماه پیش

3

مقداری تئوری بود تا نکات عملیاتی به نظر

گواهینامه اختصاصی دو زبانه

پس از گذراندن دوره به صورت آنلاین در سایت مکتب‌خونه، گواهی‌نامه رسمی پایان دوره به زبان فارسی و انگلیسی، توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.

امکان اشتراک گذاری در لینکدین
دو زبانه
20دوره
32,639دانشجو
467نظر و امتیاز

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.

1دوره
456دانشجو
4نظر و امتیاز

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.

مهارت‌هایی که می‌آموزید

دوره‌های مشابه

دیگر دوره‌های Andrew Ng

سوالات پرتکرار

آیا بعد از پایان مدت دوره همچنان به محتوای آن دسترسی دارم؟

بله. پس از پایان مدت دوره نیز به ویدئوها، تمرین‌ها، پروژه‌ها و سایر محتوای آموزشی دوره دسترسی خواهید داشت؛ اما امکان تصحیح تمرین‌ها توسط پشتیبان دوره و دریافت گواهی‌نامه برای شما وجود نخواهد داشت.