آموزش مدل‌سازی پایپ‌لاین ماشین لرنینگ در پروداکشن

در دوره آموزش مدل‌سازی پایپ‌لاین ماشین لرنینگ در پروداکشن، با زیرنویس اختصاصی مکتب‌خونه مدل‌هایی را برای محیط‌های مختلف کارکرد می‌سازید. می‌آموزید ابزارها و تکنیک‌هایی را برای مدیریت مؤثر منابع مدل‌سازی خود و ارائه بهترین درخواست‌های ... ادامه

ارائه دهنده:  DeepLearning.Ai  DeepLearning.Ai
مدرس دوره:
سطح: متوسط
 پلاس
  
زمان مورد نیاز برای گذارندن دوره:  5 ساعت
مجموع محتوای آموزشی:  5 ساعت ویدئو
 (قابل دانلود می‌باشد)
course-feature   زیرنویس فارسی

آنچه در این دوره می‌آموزیم:

 استنتاج تکنیک‌هایی برای مدیریت منابع مدل‌سازی و ارائه بهترین درخواست‌ها

 به‌کارگیری بی‌درنگ از تکنیک‌ها

 تحلیل عملکرد مدل

 استفاده از تجزیه و تحلیل برای رسیدگی به عدالت مدل، مشکلات توضیح‌پذیری و کاهش تنگناها

سرفصل‌های دوره آموزش مدل‌سازی پایپ‌لاین ماشین لرنینگ در پروداکشن

جستجوی معماری عصبی

در این فصل بیاموزید که چگونه به طور موثر بهترین مدل را جستجو کنید که برای نیازهای کارکردهای مختلف مقیاس می‌شود و در عین حال پیچیدگی مدل و الزامات سخت‌افزاری را محدود می‌کند.

  تنظیم فراپارامتر
"03:58  
  نسخه‌ی نمایشی Keras Autotuner
"06:17  
  مقدمه‌ای بر AutoML
"06:05  
  درک فضاهای جستجو
"02:12  
  استراتژی‌های جستجو
"05:07  
  اندازه‌گیری کارایی AutoML
"04:08  
  AutoML در Cloud
"09:09  
  تنظیم تکلیف
"01:36  
  جمع‌بندی فصل اول
"00:30  
مدل تکنیک‌های مدیریت منابع

طی این فصل نحوه بهینه‌سازی و مدیریت منابع محاسباتی، ذخیره سازی و ورودی/خروجی مورد نیاز مدل شما در محیط‌های تولید در طول چرخه عمر آن را بیاموزید.

  تاثیر ابعاد بر عملکرد
"08:25  
  نفرین ابعاد
"10:07  
  نفرین ابعاد: یک مثال
"05:49  
  کاهش دستی ابعاد
"07:26  
  کاهش دستی ابعاد: مطالعه موردی
"02:44  
  کاهش الگوریتمی ابعاد
"07:44  
  تجزیه و تحلیل اجزای اصلی
"07:46  
  سایر تکنیک‌ها
"07:35  
  موبایل، اینترنت اشیاء و موارد استفاده مشابه
"07:35  
  مزایا و فرآیند Quantization
"08:31  
  پس از آموزش Quantization
"05:04  
  آموزش آگاه Quantization
"04:39  
  هرس
"12:24  
مدل‌سازی با کارایی بالا

در این فصل تکنیک‌های پردازش توزیع شده و موازی‌سازی را برای استفاده حداکثری از منابع محاسباتی خود برای آموزش کارآمد مدل‌های خود پیاده‌سازی کنید.

  آموزش توزیع شده
"10:43  
  Ingestion با کارایی بالا
"12:02  
  آموزش مدل‌های بزرگ - ظهور شبکه‌های عصبی غول پیکر و موازی‌سازی
"13:43  
  شبکه‌های معلم و دانشجو
"03:23  
  تکنیک‌های تقطیر دانش
"09:10  
  مطالعه موردی - نحوه استخراج دانش برای یک تسک پرسش و پاسخ
"08:38  
تحلیل مدل

در این فصل یاد خواهید گرفت که از تحلیل عملکرد مدل برای اشکال‌زدایی و اصلاح مدل خود و اندازه‌گیری استحکام، عدالت و پایداری استفاده کنید.

  تحلیل عملکرد مدل
"07:17  
  مقدمه‌ای بر تحلیل مدل TensorFlow
"06:55  
  TFMA در عمل
"03:56  
  بررسی اجمالی اشکال‌زدایی مدل
"03:53  
  مدل‌های معیار
"01:25  
  تجزیه و تحلیل حساسیت و حملات تخاصمی
"10:00  
  نسخه‌ی نمایشی حمله تخاصمی
"04:18  
  تجزیه و تحلیل باقیمانده
"02:37  
  اصلاح مدل
"04:46  
  عدالت
"04:24  
  اندازه‌گیری عدالت
"06:02  
  ارزیابی و نظارت مستمر
"14:59  
تفسیرپذیری

در این فصل درباره تفسیرپذیری مدل بیاموزید . این فصل کلیدی است برای توضیح عملکرد درونی مدل خود برای افراد عادی و مخاطبان متخصص و چگونگی ترویج عدالت.............................

  هوش مصنوعی قابل توضیح
"06:38  
  روش‌های تفسیر مدل
"09:44  
  مدل‌های قابل تفسیر ذاتی
"10:35  
  روش‌های Agnostic مدل
"02:00  
  Partial Dependence Plots
"05:46  
  اهمیت ویژگی جایگشت
"03:28  
  Shapley Values
"07:34  
  SHapley Additive exPlanations (SHAP)
"03:28  
  تست بردارهای فعال‌سازی مفهومی
"03:36  
  LIME
"01:41  
  توضیحات هوش مصنوعی
"05:38  

ویژگی‌های دوره

زیرنویس فارسی
زیرنویس فارسی

این دوره دارای زیرنویس اختصاصی است.

درباره دوره

در دوره آموزش مدل‌سازی پایپ‌لاین ماشین لرنینگ در پروداکشن، با زیرنویس اختصاصی مکتب‌خونه مدل‌هایی را برای محیط‌های مختلف کارکرد می‌سازید. می‌آموزید ابزارها و تکنیک‌هایی را برای مدیریت مؤثر منابع مدل‌سازی خود و ارائه بهترین درخواست‌های استنتاج آفلاین و آنلاین پیاده‌سازی کنید و از ابزارهای تحلیلی و معیارهای عملکرد برای رسیدگی به عدالت مدل، مسائل قابل توضیح و کاهش تنگناها استفاده کنید.

درک مفاهیم یادگیری ماشین و یادگیری عمیق ضروری است، اما اگر به دنبال یک شغل موثر هوش مصنوعی هستید، به مهارت‌های مهندسی تولید نیز نیاز دارید. مهندسی یادگیری ماشین برای تولید، مفاهیم اساسی یادگیری ماشین را با تخصص عملکردی توسعه نرم‌افزار مدرن و نقش‌های مهندسی ترکیب می‌کند تا به شما در توسعه مهارت‌های آماده تولید کمک کند.

درباره استاد

maktabkhooneh-teacher Robert Crowe

Robert Crowe دیتاساینتیست و علاقه‌مند به TensorFlow است، او همچنین علاقه بسیاری به کمک به برنامه‌نویسان دارد تا به سرعت آنچه را که برای بهره‌وری نیاز دارند، بیاموزند. از همان روزهای اولیه، او از TensorFlow استفاده می‌کرد و از سرعت پیشرفت و بهبود بسیار آن هیجان‌زده است. رابرت قبل از حرکت به سمت علم داده، تیم‌های مهندسی نرم‌افزار را برای شرکت‌های بزرگ و کوچک رهبری می‌کرد که بر ارائه راه‌حل‌های بهینه و ظریف برای نیازهای کاملا تعریف شده تمرکز داشتند.

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:  5 ساعت
مجموع محتوای آموزشی:  5 ساعت ویدئو
 (قابل دانلود می‌باشد)
course-feature   زیرنویس فارسی