مطالب پیشنهادی از سراسر وب

آموزش استقرار راهکارهای یادگیری ماشینی

دسته بندی ها: آموزش یادگیری ماشینی (Machine Learning) ، آموزش هوش مصنوعی (AI) ، آموزش های پلورال سایت (Pluralsight)

یادگیری ماشینی به محبوبیت زیادی دست یافته است، اما علائم هشدار دهنده جدی در مورد عملکرد مدل های ML در تولید پدیدار شده اند.
شما در این دوره، توانایی تشخیص دلایل عدم موفقیت عملکرد مدل ها را در تولید پس از انجام خوب یادگیری و تست و راه های کاهش این پدیده نگران کننده را کسب می کنید.

ابتدا، خواهید آموخت که چگونه training-serving skew, concept drift و overfittin دلایل مختلف عدم کارآیی مدل هستند و چگونه می توان با نظارت پس از استقرار، آن ها را کاهش داد.
سپس، نحوه استقرار مدل های یادگیری ماشینی، که در نقاط انتهایی HTTP با استفاده از Flask، فریمورک وب محبوب پایتون در دسترس است را بررسی می کنید. همچنین خواهید دید که چگونه می توانید مدل ها را در محیط های بدون سرور مانند Google Cloud Functions مستقر کنید.
در پایان، با سرویس های یادگیری ماشینی مخصوص سیستم عامل مانند Google AI Platform و Amazon SageMaker برای استقرار مدل کار خواهید کرد.
هنگامی که این دوره را به پایان برسانید، مهارت و دانش شناسایی مسائل مدل هایی که مستقر شده اند اما مطابق انتظارات عمل نمی کنند را خواهید داشت و همچنین نحوه اجرای استقرار را با استفاده از زیرساخت های on-prem و ابری تجربه خواهید کرد.

فایل های تمرین exercise files.zip
آیا این نوشته را دوست داشتید؟
Pluralsight Deploying Machine Learning Solutions Author:Janani Ravi Duration:3:04:11 Level:Advanced

Machine Learning is exploding in popularity, but serious early warning signs are emerging around the performance of ML models in production.
In this course, Deploying Machine Learning Solutions you will gain the ability to identify reasons why models might be under-performing in production after doing just fine in training and testing, and ways to mitigate this worrying phenomenon.
First, you will learn how training-serving skew, concept drift, and overfitting are different causes of model underperformance, and how they can be mitigated by post-deployment monitoring.
Next, you will discover how ML models can be deployed, that is made available on HTTP endpoints, using Flask, the popular Python web-serving framework. You will also see how you can deploy models to serverless environments such as Google Cloud Functions
Finally, you will work with platform-specific machine learning services such as Google AI Platform and Amazon SageMaker for model deployment.
When you’re finished with this course, you will have the skills and knowledge to identify issues with models that have been deployed but are not performing to expectations, as well as how to implement deployment using both on-prem and cloud infrastructure.

پیشنهاد آموزش مرتبط در فرادرس