ارائه کارآمد محصولات یادگیری ماشینی آسان نیست، بنابراین ابزارهای خوبی که از توسعه مدل ML پشتیبانی میکنند مورد نیاز است. این دوره به شما MLflow را آموزش میدهد.
آنچه یاد خواهید گرفت:
توسعه مدلهای یادگیری ماشین در تیمها، با دادههای دنیای واقعی و پاسخگویی به نیازهای کسبوکار در دنیای واقعی ممکن است مجتمع در این دوره آموزشی، شروع کار با MLflow، مدیریت چرخه عمر کامل مدلهای یادگیری ماشین را یاد خواهید گرفت. ابتدا، نحوه ردیابی آزمایشات یادگیری ماشین خود را برای مقایسه و تکرارپذیری آسان بررسی خواهید کرد. در مرحله بعد، راههایی برای استفاده از MLflow برای همکاری در توسعه مدل در تیمهایی با هر اندازه پیدا خواهید کرد. در نهایت، یاد خواهید گرفت که چگونه مدلهای خود را به گونهای به اشتراک بگذارید که آنها را برای استفاده در محصولات واقعی آماده کند. وقتی این دوره را به پایان رساندید، مهارتها و دانش MLflow مورد نیاز برای ایجاد مدلهای یادگیری ماشینی را به روشی مشترک، تکرارپذیر و آماده تولید خواهید داشت.
نمونه ویدیوی آموزشی ( زیرنویسها جدا از ویدیو است و میتوانید آنرا نمایش ندهید ) :
[ENGLISH]
01 Course Overview [1min]
01-01 Course Overview [1mins]
02 Understanding MLflow [11mins]
02-01 Course Basics [4mins]
02-02 Introducing MLflow [7mins]
03 Tracking ML Experiments [16mins]
03-01 Introduction [3mins]
03-02 Training the Model and Experimenting [4mins]
03-03 Demo: Running Experiments [3mins]
03-04 Demo: Parameters, Metrics, and MLflow UI [6mins]
04 Exporting Artifacts [10mins]
04-01 Introduction [2mins]
04-02 Artifacts in MLflow [3mins]
04-03 Demo [5mins]
05 Using MLflow in a Collaborative Scenario [15mins]
05-01 Introduction [6mins]
05-02 MLflow Server [4mins]
05-03 Architecture of a Complete MLflow Deployment [5mins]
06 Packaging and Running Models [18mins]
06-01 Introduction [3mins]
06-02 Logging a Model [3mins]
06-03 Customizing the Model [2mins]
06-04 Demo: Custom Models [5mins]
06-05 Running Predictions [2mins]
06-06 Demo: Batch and Real-time Predictions [3mins]
07 Sharing and Managing Models with Model Registry [9mins]
07-01 Overview [4mins]
07-02 Demo [5mins]
08 Summary [3mins]
08-01 Course Summary [3mins]
[فارسی]
01 نمای کلی دوره [1 دقیقه]
01-01 بررسی اجمالی دوره [1 دقیقه]
02 درک MLflow [11 دقیقه]
02-01 مبانی دوره [4 دقیقه]
02-02 معرفی MLflow [7 دقیقه]
03 ردیابی آزمایشهای ML [16 دقیقه]
03-01 مقدمه [3 دقیقه]
03-02 آموزش مدل و آزمایش [4 دقیقه]
03-03 نسخهی نمایشی- در حال اجرا [3 دقیقه]
03-04 نسخهی نمایشی- پارامترها، معیارها و رابط کاربری MLflow [6 دقیقه]
04 صادرات مصنوعات [10 دقیقه]
04-01 مقدمه [2 دقیقه]
04-02 مصنوعات در MLflow [3 دقیقه]
04-03 نسخهی نمایشی [5 دقیقه]
05 استفاده از MLflow در یک سناریوی مشارکتی [15 دقیقه]
05-01 مقدمه [6 دقیقه]
05-02 سرور MLflow [4 دقیقه]
05-03 معماری یک استقرار کامل MLflow [5 دقیقه]
06 بستهبندی و مدلهای در حال اجرا [18 دقیقه]
06-01 مقدمه [3 دقیقه]
06-02 ثبت یک مدل [3 دقیقه]
06-03 سفارشی کردن مدل [2 دقیقه]
06-04 نسخهی نمایشی- مدلهای سفارشی [5 دقیقه]
06-05 پیشبینیهای در حال اجرا [2 دقیقه]
06-06 نسخهی نمایشی- پیش بینیهای دستهای وبی درنگ [3 دقیقه]
07 به اشتراک گذاری و مدیریت مدلها با رجیستری مدل [9 دقیقه]
07-01 نمای کلی [4 دقیقه]
07-02 نسخهی نمایشی [5 دقیقه]
08 خلاصه [3 دقیقه]
08-01 خلاصه دوره [3 دقیقه]
Pawel یک مهندس نرمافزار مشتاق به اشتراک گذاری دانش است. او به ویژه بر پردازش و کاوش مجموعه دادهها (چه بزرگ یا کوچک) متمرکز است و همیشه به دنبال ابزارهای نوظهوری است که کار با دادهها را در آینده سادهتر میکند. Pawel در حال حاضر در Farfetch است که در آن برنامههای داده را توسعه میدهد و میبیند که ابزارهای مورد علاقهاش مانند Pandas، Kafka یا ElasticSearch (فقط به نام چند مورد) برای حل مشکلات پیچیده تجاری استفاده میشوند. او بیشتر با زبانهای JVM و پایتون کار میکند، اما در اوقات فراغت خود با زبانهای کمتر محبوب آزمایش میکند.