[ENGLISH]

01 Course Overview [2mins]
01-01 Course Overview [2mins]

02 Introducing Machine Learning on Databricks [24mins]
02-01 Prequisites and Course Outline [2mins]
02-02 Overview of Databricks [5mins]
02-03 The Databricks Machine Learning Runtime [4mins]
02-04 Introducing MLflow [7mins]
02-05 Demo: Getting Set up with the Machine Learning Environment on Databricks [6mins]

03 Implementing scikit-learn Models in Databricks [50mins]
03-01 A Quick Overview of scikit-learn [3mins]
03-02 Demo: Loading, Exploring, and Preprocessing Data [4mins]
03-03 Demo: Creating an Experiment and Run [4mins]
03-04 Demo: Autologging to Track Model Metrics [8mins]
03-05 Demo: Creating Multiple Runs and Comparing Runs [5mins]
03-06 Demo: Using Loaded Model for Predictions [3mins]
03-07 Demo: Using Bamboolib for Data Exploration and Transformation [6mins]
03-08 Demo: Autologging to Track Metrics for a Classification Model [5mins]
03-09 Demo: Registering Models and Managing Stage Transitions [5mins]
03-10 Demo: Classic Inferencing Using a REST Endpoint [7mins]

04 Implementing XGBoost Models in Databricks [38mins]
04-01 An Overview of XGBoost [5mins]
04-02 Demo: Inferring Model Signature and Logging Models [6mins]
04-03 Demo: Autologging XGBoost Model Runs [6mins]
04-04 Machine Learning Using Apache Spark [3mins]
04-05 Demo: Loading Data into a Delta Table [3mins]
04-06 Demo: Training a Model Using a Spark ML Pipeline [8mins]
04-07 Demo: Training an XGBoost Model Using a Spark Pipeline [2mins]
04-08 Demo: Using Cross Validation to Find the Best Model Hyperparameters [5mins]

05 Hyperparameter Tuning for Machine Learning Models [28mins]
05-01 Understanding Hyperparameter Tuning [3mins]
05-02 Hyperopt for Hyperparameter Tuning [5mins]
05-03 Demo: Explicitly Logging Model Parameters [5mins]
05-04 Demo: Hyperparameter Tuning Using Hyperopt [8mins]
05-05 Demo: Hyperparameter Training Using Different Classifiers [6mins]
05-06 Summary and Further Study [1mins]

[فارسی]

01 بررسی اجمالی دوره [2 دقیقه]
01-01 بررسی اجمالی دوره [2 دقیقه]

02 معرفی یادگیری ماشینی روی Databricks [24 دقیقه]
02-01 پیش نیازها و خلاصه دوره [2 دقیقه]
02-02 نمای کلی Databricks [5 دقیقه]
02-03 زمان اجرای یادگیری ماشین Databricks [4 دقیقه]
02-04 معرفی MLflow [7 دقیقه]
02-05 نسخه‌ی نمایشی- راه اندازی با محیط یادگیری ماشین روی Databricks [6 دقیقه]

03 پیاده‌سازی مدل‌های یادگیری scikit در Databricks [50 دقیقه]
03-01 مروری سریع بر آموزش اسکیکت [3 دقیقه]
03-02 نسخه‌ی نمایشی- بارگیری، کاوش، و پیش پردازش داده‌ها [4 دقیقه]
03-03 نسخه‌ی نمایشی- ایجاد یک آزمایش و اجرا [4 دقیقه]
03-04 نسخه‌ی نمایشی- ثبت خودکار برای ردیابی معیارهای مدل [8 دقیقه]
03-05 نسخه‌ی نمایشی- ایجاد چندین اجرا و مقایسه اجراها [5 دقیقه]
03-06 نسخه‌ی نمایشی- استفاده از مدل بارگذاری شده برای پیش بینی [3 دقیقه]
03-07 نسخه‌ی نمایشی- استفاده از Bamboolib برای کاوش و تبدیل داده [6 دقیقه]
03-08 نسخه‌ی نمایشی- ثبت خودکار برای ردیابی معیارها برای یک مدل طبقه‌بندی [5 دقیقه]
03-09 نسخه‌ی نمایشی- ثبت مدل‌ها و مدیریت انتقال مرحله [5 دقیقه]
03-10 نسخه‌ی نمایشی- استنتاج کلاسیک با استفاده از نقطه پایانی REST [7 دقیقه]

04 پیاده‌سازی مدل‌های XGBoost در Databricks [38 دقیقه]
04-01 مروری بر XGBoost [5 دقیقه]
04-02 نسخه‌ی نمایشی- استنباط مدل‌های امضا و گزارش گیری مدل [6 دقیقه]
04-03 نسخه‌ی نمایشی- اجرای خودکار XGBoost مدل [6 دقیقه]
04-04 یادگیری ماشین با استفاده از اسپارک آپاچی [3 دقیقه]
04-05 نسخه‌ی نمایشی- بارگیری داده‌ها در یک جدول دلتا [3 دقیقه]
04-06 نسخه‌ی نمایشی- آموزش یک مدل با استفاده از Spark ML Pipeline [8 دقیقه]
04-07 نسخه‌ی نمایشی- آموزش مدل XGBoost با استفاده از Spark Pipeline [2 دقیقه]
04-08 نسخه‌ی نمایشی- استفاده از Cross Validation برای یافتن بهترین هایپرپارامترهای مدل [5 دقیقه]

05 تنظیم فراپارامتر برای مدل‌های یادگیری ماشین [28 دقیقه]
05-01 آشنایی با تنظیم فراپارامتر [3 دقیقه]
05-02 Hyperopt برای تنظیم Hyperparameter [5 دقیقه]
05-03 نسخه آزمایشی- ثبت صریح پارامترهای مدل [5 دقیقه]
05-04 نسخه‌ی نمایشی- تنظیم Hyperparameter با استفاده از Hyperopt [8 دقیقه]
05-05 نسخه‌ی نمایشی- آموزش Hyperparameter با استفاده از طبقه‌بندی کننده‌های مختلف [6 دقیقه]
05-06 خلاصه و مطالعه بیشتر [1 دقیقه]