دوره آموزشی استقرار یادگیری ماشین مقیاس پذیر برای علم داده

مدلهای یادگیری ماشین اغلب در محیطهای پیچیده تولید اجرا می شوند که می توانند با جزر و مد حجم کل داده ها سازگار شوند. ابزارها و شیوه هایی که به دانشمندان داده کمک می کند مدلهای یادگیری ماشین را به سرعت بسازند، برای استقرار آن مدلها در مقیاس کافی نیستند. برای ارائه راه حل های مقیاس پذیر، به مجموعه ابزار کاملاً جدیدی نیاز دارید. این دوره مروری بر الگوهای طراحی معمول برای معماری های مقیاس پذیر یادگیری ماشین و همچنین ابزارهایی برای استقرار و نگهداری مدل های یادگیری ماشین در تولید، به دانشمندان داده و مهندسان DevOps ارائه می دهد. مربی دان سالیوان سه فناوری را که امکان یادگیری ماشینی مقیاس پذیر را فراهم می کند را مرور می کند: سرویس هایی که مدل ها را از طریق API ها نشان می دهد، ظروف برای استقرار مدل ها و ابزارهای ارکستراسیون مانند Kubernetes که به مدیریت ظروف و خوشه ها کمک می کند. به علاوه، نکاتی را برای نظارت بر عملکرد خدمات خود در محیط های تولید دریافت کنید.
اهداف یادگیری
تعریف مقیاس پذیری
ابزارها و تکنیک های یادگیری ماشین مقیاس پذیر
الگوهای طراحی معماری برای سیستم های مقیاس پذیر
مدلهای یادگیری ماشین به عنوان خدمات
محتوی مدل ها
Kubernetes برای ارکستراسیون کانتینر
نظارت بر عملکرد
بهترین روشها برای مقیاس بندی مدلهای یادگیری ماشین