دوره آموزشی راهنمای اجرایی برای استقرار، نظارت و نگهداری مدل ها
58 دقیقهمبتدی2024-04-08
مدرسین

Keith McCormick
Data Miner, Trainer, Speaker, Author
جزئیات دوره
با پیشرفت های اخیر در فضای هوش مصنوعی، گردش کار برای استقرار، نظارت و نگهداری مدل های ML تغییر کرده است. در این دوره، کیت مک کورمیک - یک داده کاوی، مربی، سخنران و نویسنده مستقل - مراحل پروژه ML را تجزیه می کند و شما را از طریق ارزیابی مدل، امتیازدهی، استقرار و نگهداری مدل راهنمایی می کند. در مورد مهندسی داده و MLOps در چرخه حیات ML و همچنین اصول اولیه مدل سازی ML بیاموزید. یک چک لیست استقرار مفید دریافت کنید که می توانید در ارزیابی مدل از آن استفاده کنید. نحوه امتیاز دهی به مدل های سنتی ML، مدل «جعبه سیاه» و یک گروه را بیاموزید. برو بیش از دسته و به ثمر رساند زمان واقعی. به علاوه، نظارت بر مدل و بهترین فرکانس برای بازسازی مدل را کشف کنید.
مهارت ها
Machine LearningArtificial Intelligence (AI)One-Off
سرفصل ها
0. مقدمه
- 01 - به کارگیری مدل ها
1. مراحل یک پروژه یادگیری ماشینی
- 02 - دادهها و یادگیری ماشینی تحت نظارت
- 03 - مهندسی داده و MLOps در چرخه حیات ML
- 04 - چرا پروژههای ML مستقر نمی شوند
- 05 - مبانی مدل سازی ML
2. ارزیابی مدل
- 06 - مرحله ارزیابی کسب و کار
- 07 - چک لیست استقرار
3. امتیاز دادن
- 08 - امتیاز دهی به مدلهای سنتی ML
- 09 - امتیازدهی مدل جعبه سیاه
- 10 - گلزنی یک گروه
4. استقرار
- 11 - امتیاز دهی دسته ای در مقابل زمان واقعی
- 12 - آماده سازی دادهها و امتیازدهی
- 13 - ترکیب امتیازدهی دسته ای و بلادرنگ
5. نظارت و نگهداری
- 14 - مانیتورینگ مدل چیست
- 15 - هر چند وقت یکبار باید بازسازی کنید
نتیجه
- 16 - مراحل بعدی
دوره های مرتبط
- دوره آموزشی یادگیری جامع پایتون برای علم داده و یادگیری ماشین بخش اول
- دوره آموزشی مبانی هوش مصنوعی: شبکه های عصبی
- دوره آموزشی یادگیری ماشین و آمار فضایی در پایتون
- دوره آموزشی راهنمای کامل Google BigQuery برای مهندسان داده و یادگیری ماشین
- دوره آموزشی یادگیری ماشین کاربردی: برآورد ارزش
- دوره آموزشی یادگیری ماشین کاربردی: یادگیری نظارتشده
- دوره آموزشی یادگیری ماشین در مخابرات: از مبانی تا نمونههای واقعی
- دوره آموزشی Power BI: ترکیب هوش مصنوعی با دادهها