دانلود رایگان دوره خط‌لوله‌های یادگیری ماشین در Google Cloud از – نوامبر ۲۰۲۴

دوره «خط‌لوله‌های یادگیری ماشین در Google Cloud» از مجموعه ، نسخه نوامبر ۲۰۲۴، به شما اجازه می‌دهد تا ابزارها و سرویس‌های پیشرفته Google Cloud برای طراحی، توسعه و مقیاس‌دهی مدل‌های یادگیری ماشین را از پایه تا حصول نتیجه یاد بگیرید. این دوره با تمرکز بر روی جلسات عملی و مثال‌های واقعی، شما را قادر می‌سازد بهترین روش‌ها (Best Practices) را در Vertex AI، Dataflow و Kubeflow Pipelines به کار بندید و پروژه‌های ML را به صورت اتوماسیون شده و پایدار اجرا کنید.

پیش‌نیازها

برای بهره‌مندی کامل از مطالب این دوره، داشتن دانش و تجربه پایه زیر ضروری است:

• آشنایی با مفاهیم پایه یادگیری ماشین (Regression, Classification, Clustering)
• تسلط نسبی به زبان برنامه‌نویسی Python و آشنایی با کتابخانه‌های TensorFlow یا PyTorch
• درک مفاهیم ابری و تجربه کار با یک پلتفرم مانند AWS، Azure، یا Google Cloud
• آشنایی مقدماتی با Docker و کانتینرها برای بسته‌بندی کد
• ترجیحاً تجربه استفاده از git و CI/ CD برای مدیریت نسخه و استقرار خودکار

  آنچه خواهید آموخت

  • طراحی و ساختاریابی خط‌لوله‌های ML برای پردازش داده‌های بزرگ با استفاده از Dataflow و Data Prep
  • نحوه تعریف وظایف (Tasks) و گام‌های (Steps) چندمرحله‌ای در Kubeflow Pipelines
  • استقرار مدل‌ها در Vertex AI برای Inferencing مقیاس‌پذیر
  • مدیریت نسخه مدل‌ها و ثبت خودکار آن‌ها در Model Registry
  • مانیتورینگ، لاگ‌برداری و هشداردهی با Cloud Monitoring و Cloud Logging
  • پیاده‌سازی CI/ CD برای پروژه‌های ML و خودکارسازی تست و استقرار
  • ایجاد اتوماسیون برای پیش‌پردازش داده، آموزش مدل و ارزیابی مداوم

    مزایا و فواید

    • کسب مهارت در چیدمان اصولی ML Pipelines که به سرعت اجرا و نگهداری آسان منجر می‌شود
    • افزایش توانایی در مقیاس‌دهی خودکار مدل‌ها برای بارکاری سنگین و حجم بالای درخواست‌ها
    • پیاده‌سازی شیوه‌های DevOps برای یادگیری ماشین (MLOps) و کاهش خطاهای انسانی
    • افزایش سرعت چرخه توسعه تا تولید (Time-to-Production) در پروژه‌های داده‌محور
    • ارائه نمونه‌های عملی که قابلیت انتقال مستقیم به پروژه‌های سازمانی را دارند

      سرفصل‌های دوره

      • معرفی ML Pipelines و معماری Google Cloud برای یادگیری ماشین
      • کار با Google Cloud Storage و BigQuery برای ذخیره و واکشی داده
      • ساخت گام‌های Dataflow برای پاک‌سازی و تبدیل داده
      • پیاده‌سازی Kubeflow Pipelines و تعریف قالب‌های YAML
      • استفاده از Vertex AI Training برای اجرای توزیع‌شده مدل‌ها
      • مدیریت مدل‌ها در Vertex AI Model Registry
      • راه‌اندازی سرویس‌های آنلاین و Batch Prediction
      • مکانیزم‌های نظارت و هشداردهی بر اساس SLA
      • یکپارچه‌سازی با Cloud Run و Cloud Functions
      • استراتژی‌های به‌روزرسانی و انتشار تدریجی مدل (Canary, Blue-Green)

        مثال‌های عملی

        در طول دوره چندین نمونه پروژه واقعی بررسی می‌شود، از جمله:

        • خط‌لوله‌ای برای تشخیص تقلب در تراکنش‌های بانکی که داده‌ها را از BigQuery واکشی و پس از آموزش مدل، نتایج را در Cloud Pub/ Sub قرار می‌دهد.
        • اتوماسیون پردازش تصاویر ماهواره‌ای با استفاده از Dataflow و TensorFlow، برای پیش‌بینی تغییرات محیط زیستی.
        • استقرار یک سرویس پیشنهاددهنده فیلم در وب‌سایت، با استفاده از Vertex AI و A/ B Testing برای ارزیابی کارایی مدل.

          نکات کلیدی

          • همیشه مراحل پیش‌پردازش را به صورت مجزا و قابل بازتولید تعریف کنید.
          • برای افزایش پایداری از Versioning مدل و داده استفاده کنید.
          • واحدهای کوچک (Micro-batches) را اولویت قرار دهید تا مشکلات Trail-and-Fix کاهش یابد.
          • از Monitoring خودکار برای شناسایی Drift داده و مدل بهره ببرید.
          • مستندسازی دقیق خط‌لوله و APIها به تسهیل همکاری تیمی کمک می‌کند.

            نظرات

            هنوز نظری ثبت نشده است.

            وارد شوید تا نظر ثبت کنید.