Oreilly – Learn MLOps for Machine Learning 2023-9

توضیحات

دوره Learn MLOps for Machine Learning. این دوره به مهندسان یاد می‌دهد چگونه اصول اساسی DevOps را در پروژه‌های یادگیری ماشین پیاده‌سازی کنند. با رشد فناوری‌های یادگیری ماشین و DevOps، Milecia McGregor راهکارهایی را ارائه می‌دهد تا مهندسان بتوانند چالش‌های پیچیده‌ای مانند تغییر ویژگی‌ها، مجموعه‌داده‌های مختلف، الگوریتم‌های جدید و منابع محاسباتی را مدیریت کنند. ابزارهایی مانند DVC، MLFlow و AWS به شما کمک می‌کنند تا این فرآیندها را ساده‌سازی و خودکار کنید. این دوره مناسب افراد مبتدی تا متوسط است و پیش‌نیازهای آن شامل آشنایی با ساخت مدل‌های یادگیری ماشین در پایتون، مدیریت داده در AWS S3 و کار با Git و GitHub می‌باشد.

آنچه فرا خواهید گرفت:

• از MLOps به عنوان یک حوزه نوظهور بهره ببرند. شرکت‌های متمرکز بر داده به دنبال مهندسانی با این مجموعه مهارت‌ها هستند.
• یک Pipeline MLOps اساسی را از ابتدا با ابزارهای Open-source بسازند – یک قالب کاری را برای پروژه‌های خود به همراه داشته باشند.
• ChatGPT را برای ایجاد یک پل عملی برای مهندسان و تیم‌های DevOps در نظر بگیرند.

این دوره مناسب چه کسانی است؟

• مهندس Machine Learning، مهندس داده، تیم‌های DevOps

مشخصات دوره

• ناشر: Oreilly
• مدرس: Milecia McGregor
• سطح آموزش: مبتدی تا متوسط
• مدت زمان آموزش: 4 ساعت و 10 دقیقه

سرفصل های دوره

• Introduction
  Learn MLOps for Machine Learning: Introduction
• Lesson 1: Learning the MLOps Pipeline
  Learning objectives
  1.1 Gather the data
  1.2 Analyze the data
  1.3 Prepare the data
  1.4 Train a model
  1.5 Evaluate the model
  1.6 Validate the model
  1.7 Deploy the model
  1.8 Monitor the model
• Lesson 2: Handling the Data
  Learning objectives
  2.1 Determine what the data sources are
  2.2 Create ETL pipelines to compile the data
  2.3 Understand the data schema with respect to the model
  2.4 Identify data that can be used for the model
  2.5 Perform feature engineering
  2.6 Version the data with DVC
  2.7 Make multiple data sets
  2.8 MLOps best practices for data
• Lesson 3: Creating a Model
  Learning objectives
  3.1 Use common Python libraries
  3.2 Code versioning with Git
  3.3 Perform hyperparameter tuning
  3.4 Track experiments with MLFlow
  3.5 Track experiments with DVC
  3.6 Evaluate the models
• Lesson 4: Working with Production Models
  Learning objectives
  4.1 Decide the best deployment method
  4.2 Test on pre-production environments
  4.3 Deploy to production
  4.4 Monitor the model for drift
  4.5 Validate the pipeline flow
  4.6 Automation points in MLOps
  4.7 Set up redeploy pipeline
• Summary
  Learn MLOps for Machine Learning: Summary

تصاویر دوره Learn MLOps for Machine Learning

نمونه فیلم دوره

لینک دانلود

دانلود فایل – 482 مگابایت

گذرواژه فایل(ها): www.downloadly.ir

حجم فایل

482 مگابایت