تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی راهنمای کامل اصول پایتون برای MLOps

دوره آموزشی راهنمای کامل اصول پایتون برای MLOps

5 ساعت 56 دقیقهپیشرفته2024-09-27

مدرسین

Pragmatic AI Labs

Pragmatic AI Labs

Alfredo Deza

Alfredo Deza

جزئیات دوره

این دوره برای کسانی که می‌خواهند به دنیای MLOps وارد شوند یا مهارت‌های خود را در این زمینه بهبود دهند، طراحی شده است. شما با یادگیری اصول پایه برنامه‌نویسی پایتون شروع خواهید کرد و مهارت‌های خود را در زمینه کار با داده‌ها، تست کردن کدها و تحلیل داده‌ها گسترش خواهید داد. در این دوره، علاوه بر آشنایی با پایتون و ابزارهای مرتبط، به شما روش‌های مختلف برای خودکارسازی فرآیندهای یادگیری ماشین، مانند استفاده از GitHub Actions و نحوه کار با APIها و SDKها آموزش داده خواهد شد.

یکی از مهارت‌های کلیدی که در این دوره به آن پرداخته می‌شود، دستکاری داده‌ها و تحلیل آن‌هاست. شما خواهید آموخت که چگونه داده‌ها را با استفاده از pandas و NumPy مدیریت کرده و تحلیل‌های پیچیده‌تری را با استفاده از این کتابخانه‌ها انجام دهید. همچنین، خودکارسازی فرآیندها و کار با مدل‌های یادگیری ماشین با استفاده از ابزارهای مختلف مانند خط فرمان و GitHub Actions بخش‌های دیگری از این دوره هستند که به شما کمک می‌کنند تا فرآیندهای یادگیری ماشین را به طور کارآمدتر و خودکارتر انجام دهید.

در نهایت، این دوره با فراهم کردن تجربه‌های عملی و مثال‌های دنیای واقعی، شما را برای مواجهه با چالش‌های روزمره در نقش‌های MLOps آماده می‌کند.

مهارت ها

Machine LearningPythonArtificial Intelligence (AI)Programming LanguagesOpen SourceSoftware DevelopmentOne-Off

سرفصل ها

0. مقدمه

  • 01 - مقدمه ای بر پایتون

1. کار با متغیرها و انواع

  • 02 - مقدمه درس - کار با متغیرها و انواع
  • 03 - متغیرها و تکالیف
  • 04 - کار با انواع داده‌های مختلف
  • 05 - شرایط و ارزیابی ها
  • 06 - گرفتن و رسیدگی به استثنائات
  • 07 - خلاصه درس - متغیرها و انواع

2. مقدمه ای بر ساختارهای داده

  • 08 - مقدمه درس - ساختارهای داده پایتون
  • 09 - مقدمه ای بر لیست ها
  • 10 - ایجاد و تکرار روی لیست ها
  • 11 - مقدمه ای بر فرهنگ لغت
  • 12 - ایجاد و تکرار بر روی فرهنگ لغت
  • 13 - سایر ساختارهای داده - تاپل‌ها و مجموعه ها
  • 14 - خلاصه درس - ساختارهای داده پایتون

3. افزودن و استخراج داده‌ها از ساختارهای داده

  • 15 - مقدمه درس - افزودن و استخراج داده ها
  • 16 - افزودن داده‌ها به لیست ها
  • 17 - استخراج داده‌ها از لیست ها
  • 18 - استخراج داده‌ها از فرهنگ لغت
  • 19 - خلاصه درس - افزودن و استخراج داده ها

4. توابع و کلاس‌های پایتون - کار با توابع

  • 20 - مقدمه درس - کار با توابع
  • 21 - ساختار و مقادیر تابع
  • 22 - آرگومان‌های تابع
  • 23 - آرگومان‌های متغیر و کلیدواژه
  • 24 - خلاصه درس - کار با توابع

5. توابع و کلاس‌های پایتون - ساخت کلاس‌ها و روش ها

  • 25 - مقدمه درس - ساخت کلاسها و روشها
  • 26 - معرفی کلاسها
  • 27 - استفاده از سازنده
  • 28 - افزودن روشها
  • 29 - ارث طبقاتی
  • 30 - جمع بندی درس - ساخت کلاس‌ها و روش ها

6. توابع و کلاس‌های پایتون - ماژول‌ها و استفاده پیشرفته

  • 31 - مقدمه درس - ماژول‌ها و کاربردهای پیشرفته
  • 32 - مقدمه ای بر ماژول‌های پایتون
  • 33 - کار با واردات
  • 34 - کار با اسکریپت‌های پایتون
  • 35 - محیط‌های مجازی و وابستگی ها
  • 36 - خلاصه درس - ماژول‌ها و کاربردهای پیشرفته

7. تست در پایتون - مقدمه ای بر تست

  • 37 - مقدمه درس - نگارش و اجرای تست
  • 38 - انگیزه‌های تست در پایتون
  • 39 - قراردادهای تست
  • 40 - تست با pytest
  • 41 - خلاصه درس - نگارش و اجرای تست

8. تست در پایتون - نوشتن تست‌های مفید

  • 42 - مقدمه درس - نوشتن تست‌های مفید
  • 43 - استفاده از plan asserts در pytest
  • 44 - کلاس‌های تست کتبی
  • 45 - کلاس‌های تست در مقابل توابع تست
  • 46 - آزمون‌های پارامتری
  • 47 - جمع بندی درس - نوشتن تست‌های مفید

9. تست در پایتون - تست شکست

  • 48 - مقدمه درس - شکست در آزمون
  • 49 - خروجی شکست تست
  • 50 - اشکال زدایی پایتون با PDB
  • 51 - سایر گزینه‌های pytest runner
  • 52 - fixture pytest
  • 53 - خلاصه درس - شکست در آزمون

10. مقدمه ای بر پانداها و NumPy - استفاده اولیه از پانداها

  • 54 - مقدمه درس - استفاده اولیه از پانداها
  • 55 - آشنایی با پانداها
  • 56 - بارگذاری داده‌ها در پانداها
  • 57 - نوشتن داده‌ها از پانداها DataFrames
  • 58 - تجزیه‌و‌تحلیل اکتشافی با پانداها
  • 59 - خلاصه درس - استفاده اولیه از پانداها

11. مقدمه ای بر پانداها و NumPy - کار با DataFrames

  • 60 - مقدمه درس - کار با DataFrames
  • 61 - عملیات مشترک DataFrame
  • 62 - دستکاری متن در DataFrames
  • 63 - اعمال توابع با پانداها
  • 64 - تجسم داده‌ها با پانداها
  • 65 - خلاصه درس - کار با DataFrames

12. مقدمه ای بر پانداها و NumPy - مبانی NumPy

  • 66 - مقدمه درس - مبانی NumPy
  • 67 - مقدمه ای بر آرایه‌های NumPy
  • 68 - عملیات مشترک آرایه NumPy
  • 69 - عملیات آرایه NumPy بیشتر
  • 70 - خلاصه درس - مبانی NumPy

13. Python کاربردی برای MLOps - کار با API و SDK

  • 71 - معرفی درس - API و SDK
  • 72 - نصب رابط خط فرمان Azure (CLI)
  • 73 - Azure ML Studio با پایتون
  • 74 - ترانسفورماتورهای صورت بغل کردن
  • 75 - مجموعه داده‌های صورت در آغوش گرفتن
  • 76 - مجموعه داده‌های باز Azure
  • 77 - خلاصه درس - API و SDK

14. پایتون کاربردی برای MLOps - اتوماسیون با ابزارهای خط فرمان

  • 78 - مقدمه درس - اتوماسیون با ابزارهای خط فرمان
  • 79 - ایجاد اسکریپت یک فایل
  • 80 - استفاده از فریم ورک argparse
  • 81 - اعلام وابستگی ها
  • 82 - استفاده از فریم ورک Click
  • 83 - بسته بندی پروژه شما
  • 84 - حل مسئله یادگیری ماشین با ابزار CLI
  • 85 - خلاصه درس - اتوماسیون با ابزارهای خط فرمان

15. Python کاربردی برای MLOps - ساخت APIهای یادگیری ماشین

  • 86 - مقدمه درس - ساخت APIهای یادگیری ماشین
  • 87 - مقدمه ای بر چارچوب Flask
  • 88 - ساخت API با Flask
  • 89 - مقدمه ای بر چارچوب FastAPI
  • 90 - ساخت API با FastAPI
  • 91 - بهترین روش‌های پایتون API
  • 92 - خلاصه درس - ساخت APIهای یادگیری ماشین

دوره های مرتبط

درباره ما

لینداکده یک بستر یادگیری پیشرو است که به افراد کمک می کند تا کسب و کار ، نرم افزار ، فناوری و مهارت‌های خلاقانه را برای دستیابی به اهداف شخصی و حرفه ای بیاموزد.

شماره تلفنکانال آپاراتپشتیبانی تلگرامکانال تلگرامپیج اینستاگرام

کلیه‌ی حقوق این سایت متعلق به لینداکده می باشد

قوانین و شرایط|حریم خصوصی

نماد الکترونیک enamad در صورت اتصال با آی‌پی داخل کشور، نمایش داده خواهد شد.
logo-samandehi - لوگو ساماندهی
zarinpal
zibal