آموزش ساخت سیستم های Machine Learning

در این دوره آموزشی قدم به قدم با سیستم های یادگیری ماشینی آشنا شده و ساخت آن ها را بخوبی یاد می گیرید.

عنوان اصلی : Production Machine Learning Systems

سرفصل ها :

معرفی دوره
شروع کار با GCP و Qwiklabs
معرفی
اجزای یک سیستم ML
اجزای یک سیستم ML: تجزیه و تحلیل داده ها و اعتبار سنجی
اجزای یک سیستم ML: تبدیل داده + مربی
اجزای یک سیستم ML: تیونر + ارزیابی و اعتبارسنجی مدل
اجزای یک سیستم ML: خدمت رسانی
اجزای یک سیستم ML: ارکستراسیون + گردش کار
اجزای یک سیستم ML: Frontend یکپارچه + ذخیره سازی
تصمیمات طراحی آموزش
ارائه تصمیمات طراحی
معرفی آزمایشگاه: خدمت در پلتفرم هوش مصنوعی ابری
خدمت بر روی پلتفرم Cloud AI
راه حل آزمایشگاهی: خدمت بر روی پلتفرم هوش مصنوعی ابری
طراحی از ابتدا
معرفی
داده در فرض
مجموعه داده های بزرگ
داده های دیگر ابرها
پایگاه های داده موجود
نسخه ی نمایشی: داده ها را در BigQuery بارگیری کنید
نسخه ی نمایشی: خطوط لوله ETL خودکار به GCP
معرفی
انطباق با داده ها
تغییر توزیع ها
تمرین: انطباق با داده ها
تصمیمات درست و نادرست
خرابی سیستم
کاهش انحراف آموزش-خدمات از طریق طراحی
معرفی آزمایشگاه: ارائه پیش‌بینی‌های ML به صورت دسته‌ای و بی‌درنگ
ارائه پیش‌بینی‌های ML به صورت دسته‌ای و در زمان واقعی
راه حل آزمایشگاهی: ارائه پیش بینی های ML به صورت دسته ای و در زمان واقعی
اشکال زدایی یک مدل تولید
خلاصه
معرفی
آموزش
پیش بینی ها
چرا آموزش توزیع شده؟
معماری های آموزشی توزیع شده
خطوط لوله ورودی سریعتر
عملیات TensorFlow بومی
رکوردهای TensorFlow
خطوط لوله موازی
موازی سازی داده ها با All Reduce
پارامتر رویکرد سرور
استنتاج
معرفی
یادگیری ماشین در ابر هیبریدی
KubeFlow
نسخه ی نمایشی: KubeFlow
Kubeflow: پایان به پایان
مدل های تعبیه شده
TensorFlow Lite
بهینه سازی برای موبایل
خلاصه
خلاصه