در حال حاضر محصولی در سبد خرید شما وجود ندارد.
یاد بگیرید که راه حل های یادگیری ماشین خود را مستقر و مقیاس کنید
عنوان اصلی : Machine Learning Deployment For Professionals
سرفصل های دوره :
مقدمه دوره:
مقدمه دوره
مقدمه یادگیری ماشین در تولید:
الگوهای استقرار مدل ML
چالش های استقرار
راه حل چیست؟
چالش های داده های خروجی
خلاصه بخش
مسابقه 1
میلی لیتر و چرخه عمر داده ها:
مقدمه
نمای کلی چرخه عمر داده
جمع آوری داده ها
آماده سازی داده ها - قسمت 1
آماده سازی داده ها - قسمت 2
آماده سازی داده ها - قسمت 3
داده های مورد بحث
اعتبار سنجی داده ها
ذخیره داده ها - قسمت 1
ذخیره داده ها - قسمت 2
مهندسی ویژگی
مدل را آموزش دهید
مدل را آزمایش کنید
استقرار
خلاصه بخش
مسابقه 2
خط لوله ML:
مقدمه
نمای کلی خطوط لوله ML
تضمین کیفیت و اعتبار سنجی برای مدل های ML - قسمت 1
تضمین کیفیت و اعتبار سنجی برای مدل های ML - قسمت 2
مطالعات موردی از خطوط لوله ML در تولید - قسمت 1
مطالعات موردی از خطوط لوله ML در تولید - قسمت 2
مطالعات موردی از خطوط لوله ML در تولید - قسمت 3
نقشه برداری امنیت و حریم خصوصی به خط لوله شما
خلاصه
مسابقه 3
استفاده از راه حل های ML:
نمای کلی
نقاط پایانی ML در هنگام استقرار
ملاحظات استقرار ویندوز در مقابل لینوکس - قسمت 1
ملاحظات استقرار ویندوز در مقابل لینوکس - قسمت 2
tensorflow با جریان هوا گسترش یافته است
پیش بینی دسته ای با Pytorch
جریان جرقه Apache
مدل های سایه AWS
تعبیه مدل های ML
فلاسک
جریان
نظریه کوبفلو
کتابخانه های کیفیت تولید ML
خلاصه بخش
مسابقه 4
Machine Learning Deployment For Professionals
در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.
Projects in CSS
Machine Learning in Python for Absolute Beginners
آمار برای توسعه دهندگان هوش مصنوعی و یادگیری ماشینی
فیلم یادگیری کامل و عملی Node.js
Linux System Engineering and Administration for Beginners
آموزش ریاضیات Data Science و یادگیری ماشینی در زبان R
ChatGPT: Make Coding 10X Simple And Easy With ChatGPT
AI Tools for Designers
یادگیری DevOps بوسیله Linux
کورس یادگیری برنامه نویسی به زبان Rust