دوره آموزشی آمادگی گواهینامه Google Cloud Professional Machine Learning Engineer: بخش پنجم اتوماسیون و هماهنگ سازی خطوط لوله ML
51 دقیقهپیشرفته2023-06-20
مدرسین
Noah Gift
MLOps Expert | Solopreneur | Author | Adjunct Professor | CTO
جزئیات دوره
دریافت گواهینامه مهندس یادگیری ماشین حرفهای گوگل نشون میده که شما توانایی طراحی، ساخت و پیادهسازی مدلهای یادگیری ماشین برای حل چالشهای تجاری با استفاده از تکنولوژیهای گوگل کلاد رو دارید و با مدلها و تکنیکهای اثباتشده یادگیری ماشین آشنا هستید.
در این دوره پنجم از سری دورههای آمادگی برای این گواهینامه، استاد نوح گیفت مفاهیم اصلی مربوط به اتوماسیون و ارکستراسیون خط لولههای یادگیری ماشین رو توضیح میده. نوح نحوه طراحی و پیادهسازی خط لولههای آموزش رو توضیح میده، از جمله چطور پرامپتهایی برای گوگل بیگکوئری با ChatGPT4 مهندسی کنیم. بعد، با پیادهسازی خط لولههای سرویسدهی آشنا میشید، چون نوح برخی از ویژگیهای کانتینرهای داکر با قابلیت استفاده از GPU رو توضیح میده، یک مرور کامل از میکروسرویس PyTorch با Rust میده و یک دمو از میکروسرویس PyTorch پیشآموزشدیده با Rust نشون میده.
در این دوره پنجم از سری دورههای آمادگی برای این گواهینامه، استاد نوح گیفت مفاهیم اصلی مربوط به اتوماسیون و ارکستراسیون خط لولههای یادگیری ماشین رو توضیح میده. نوح نحوه طراحی و پیادهسازی خط لولههای آموزش رو توضیح میده، از جمله چطور پرامپتهایی برای گوگل بیگکوئری با ChatGPT4 مهندسی کنیم. بعد، با پیادهسازی خط لولههای سرویسدهی آشنا میشید، چون نوح برخی از ویژگیهای کانتینرهای داکر با قابلیت استفاده از GPU رو توضیح میده، یک مرور کامل از میکروسرویس PyTorch با Rust میده و یک دمو از میکروسرویس PyTorch پیشآموزشدیده با Rust نشون میده.
مهارت ها
Google CloudMachine LearningSoftware Development ToolsGoogleCloud PlatformsCert PrepArtificial Intelligence (AI)Cloud ComputingSoftware Development
سرفصل ها
0. مقدمه
- 01 - بررسی اجمالی
- 02 - دوره پنج اصطلاحات کلیدی
1. طراحی و اجرای خطوط لوله آموزشی
- 03 - مهندسی سریع برای Google BigQuery با ChatGPT4
- 04 - شروع به کار با Vertex AI
- 05 - درک TPU ها
- 06 - TPUها به عنوان انتقال فناوری
- 07 - نسخه ی نمایشی - TPU PyTorch MNIST
2. اجرای خطوط لوله خدمات
- 08 - سرویس TensorFlow با Docker مجهز به GPU
- 09 - بررسی میکروسرویس Rust PyTorch
- 10 - دمو - میکروسرویس PyTorch از قبل آموزش دیده Rust
نتیجه
- 11 - مراحل بعدی