در حال حاضر محصولی در سبد خرید شما وجود ندارد.
تشخیص آنومالی، کارخانه داده ها، توابع Azure، Spark، Delta Lake، کافکا، هاب رویداد، CI / CD با استفاده از Azure Devops
عنوان اصلی : Azure Databricks - Build data engineering and AI/ML pipeline
سرفصل های دوره :
مقدمه:
پیش نیاز
وارد کردن نوت بوک ها به فضای کاری Databricks
مقدمه ای بر تشخیص آنومالی:
معرفی
تشخیص غلط بر اساس تراکم
پشتیبانی از دستگاه بردار
جنگل جداسازی
تشخیص Anomaly- آزمایشگاه:
رویکرد مبتنی بر خوشه بندی
رویکرد مبتنی بر زاویه
قابلیت بسته بندی
knn
فاکتور Outlier محلی
رویکرد مبتنی بر PCA
Data Lake House معماری:
دریاچه داده
Delta Lake - آزمایشگاه
ساخت خط لوله داده با استفاده از پشته تکنولوژی Azure:
طرح طراحی معماری
فایل های آپلود به DBFS
مفاهیم جریان
مفاهیم autoloader
نصب مکان فایل DBFS
Walkthrough داده
autoloader lab
توضیح AI:
تشخیص آنومالی با استفاده از جنگل های جداسازی
مدل تفسیر با استفاده از ارزش شپلی
مدل تفسیر با استفاده از مقادیر شپلی -2
جرقه ساختاری جرقه:
نسخه ی نمایشی - ویکیپدیا ناشناس ویکیپدیا
DEMO - تجزیه و تحلیل ورود با استفاده از کافکا
نسخه ی نمایشی - تجزیه و تحلیل توییتر با استفاده از کافکا
جرقه ساختاری جریان با استفاده از Azure EventHub - TBA
mlops با استفاده از mlflow در databricks:
معرفی
ردیابی MLFLOW ردیابی
مدل رجیستری
مدل نسخه ی نمایشی رجیستری مدل
استنتاج با استفاده از mlflow
مدل های ML Parallelly ML با Pandas UDF
چگونه عملکردهای اعمال می شود () عملکرد کار می کند
تولید مدل ML به صورت موازی
تشخیص آنومالی در زمان های سری زمانی -TBA:
TBA
ساخت خط لوله CI_CD با استفاده از Azure Devops - TBA:
TBA
خط لوله داده ساختمان با استفاده از کارخانه داده Azure - TBA:
TBA
مدل تولید با استفاده از تابع Azure و Docker - TBA:
TBA
Azure Databricks - Build data engineering and AI/ML pipeline
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.
