در حال حاضر محصولی در سبد خرید شما وجود ندارد.

پنل کاربری
ورود ثبت نام

رمز خود را فراموش کرده اید؟ اگر اولین بار است از سایت جدید استفاده میکنید باید پسورد خود را ریست نمایید.
دسته بندی
دسته بندی
خانه » فروشگاه » آموزش طراحی وب و برنامه نویسی » آموزش مهندسی نرم افزار » MLOps (Machine Learning Operations) Fundamentals

MLOps (Machine Learning Operations) Fundamentals

24,900 تومان
بیش از یک محصول به صورت دانلودی میخواهید؟ محصول را به سبد خرید اضافه کنید.
خرید اشتراک افزودن به سبد خرید
خرید دانلودی فوری

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.

ویدئو معرفی این محصول

This course introduces participants to MLOps tools and best practices for deploying, evaluating, monitoring and operating production ML systems on Google Cloud.


1. Welcome to MLOps Fundamentals
  • 1. Course Introduction

    • 2. Why and When do we Need MLOps
  • 1. Data Scientists Pain Points
  • 2. The concept of DevOps in ML
  • 3. Machine Learning Lifecycle

    • 03. Understanding the Main Kubernetes Components (Optional)
  • 01. Introduction
  • 02. Introduction to Containers
  • 03. Containers and Container Images
  • 04. Lab Intro
  • 05. Pluralsight - Getting Started with GCP and Qwiklabs
  • 07. Lab solution
  • 08. Introduction to Kubernetes
  • 09. Introduction to Google Kubernetes Engine
  • 10. Compute Options Detail
  • 11. Kubernetes Concepts
  • 12. The Kubernetes Control Plane
  • 13. Google Kubernetes Engine Concepts
  • 14. Lab Intro
  • 16. Lab solution
  • 17. Deployments
  • 18. Ways to Create Deployments
  • 19. Services and Scaling
  • 20. Updating Deployments
  • 21. Rolling Updates
  • 22. Blue-Green Deployments
  • 23. Canary Deployments
  • 24. Managing Deployments
  • 25. Lab Intro
  • 27. Jobs and CronJobs
  • 28. Parallel Jobs
  • 29. CronJobs

    • 4. Introduction to AI Platform Pipelines
  • 1. Overview
  • 2. Introduction to AI Platform Pipelines
  • 3. Concepts
  • 4. When to use
  • 5. Ecosystem
  • 7. Lab Solution

    • 5. Training, Tuning and Serving on AI Platform
  • 1. System and concepts overview
  • 2. Create a reproducible dataset
  • 3. Implement a tunable model
  • 4. Build and push a training container
  • 5. Train and tune a model
  • 6. Serve and query a model
  • 7. Lab Intro
  • 9. Lab Solution

    • 6. Kubeflow Pipelines on AI Platform
  • 1. System and concept overview
  • 2. Describing a Kubeflow Pipeline with KF DSL
  • 3. Pre-built components
  • 4. Lightweight Python Components
  • 5. Custom components
  • 6. Compile, Upload and Run
  • 7. Lab Intro - Continuous Training Pipeline with Kubeflow Pipeline and Cloud AI Platform
  • 9. Lab Solution

    • 7. CICD for Kubeflow Pipelines on AI Platform
  • 1. Concept Overview
  • 2. Cloud Build Builders
  • 3. Cloud Build Configuration
  • 4. Cloud Build Triggers
  • 5. Lab Intro

    • 8. Summary
  • 1. Summary