LinkedIn – Full-Stack Deep Learning with Python 2024-2

دوره Full-Stack Deep Learning with Python. این دوره جامع، مفاهیم یادگیری عمیق فول‌استک با پایتون را با تأکید بر MLOps و MLflow به صورت عملی آموزش می‌دهد. در این دوره که توسط جانانی راوی، معمار گواهی‌شده ابر گوگل و مهندس داده تدریس می‌شود، ابتدا مروری بر مفاهیم پایه یادگیری عمیق فول‌استک، MLOps و MLflow ارائه می‌شود. سپس شرکت‌کنندگان محیط کار خود را در Google Colab راه‌اندازی کرده و با MLflow کار می‌کنند. در ادامه، روش‌های بارگذاری و بررسی مجموعه داده‌ها، ثبت معیارها، پارامترها و آرتیفکت‌ها آموزش داده می‌شود. بخش‌های اصلی دوره شامل آموزش مدل، ارزیابی عملکرد، تنظیم هایپرپارامترها، استقرار مدل و انجام پیش‌بینی‌هاست. در طول دوره، شرکت‌کنندگان با مجموعه داده EMNIST کار کرده، مدل‌های DNN و CNN را برای طبقه‌بندی تصاویر پیکربندی و آموزش می‌دهند. تکنیک‌های بهینه‌سازی هایپرپارامترها با Hyperopt و MLflow، شناسایی بهترین مدل و ثبت آن در رجیستری MLflow نیز پوشش داده می‌شود. در نهایت، روش‌های استقرار مدل روی ماشین محلی و سرویس‌دهی به آن آموزش داده می‌شود. این دوره برای افرادی مناسب است که می‌خواهند درک عمیق‌تری از یادگیری عمیق فول‌استک با پایتون و چرخه کامل توسعه مدل‌های یادگیری ماشین به دست آورند.

Full-Stack Deep Learning with Python

توضیحات

دوره Full-Stack Deep Learning with Python. این دوره جامع، مفاهیم یادگیری عمیق فول‌استک با پایتون را با تأکید بر MLOps و MLflow به صورت عملی آموزش می‌دهد. در این دوره که توسط جانانی راوی، معمار گواهی‌شده ابر گوگل و مهندس داده تدریس می‌شود، ابتدا مروری بر مفاهیم پایه یادگیری عمیق فول‌استک، MLOps و MLflow ارائه می‌شود. سپس شرکت‌کنندگان محیط کار خود را در Google Colab راه‌اندازی کرده و با MLflow کار می‌کنند. در ادامه، روش‌های بارگذاری و بررسی مجموعه داده‌ها، ثبت معیارها، پارامترها و آرتیفکت‌ها آموزش داده می‌شود. بخش‌های اصلی دوره شامل آموزش مدل، ارزیابی عملکرد، تنظیم هایپرپارامترها، استقرار مدل و انجام پیش‌بینی‌هاست. در طول دوره، شرکت‌کنندگان با مجموعه داده EMNIST کار کرده، مدل‌های DNN و CNN را برای طبقه‌بندی تصاویر پیکربندی و آموزش می‌دهند. تکنیک‌های بهینه‌سازی هایپرپارامترها با Hyperopt و MLflow، شناسایی بهترین مدل و ثبت آن در رجیستری MLflow نیز پوشش داده می‌شود. در نهایت، روش‌های استقرار مدل روی ماشین محلی و سرویس‌دهی به آن آموزش داده می‌شود. این دوره برای افرادی مناسب است که می‌خواهند درک عمیق‌تری از یادگیری عمیق فول‌استک با پایتون و چرخه کامل توسعه مدل‌های یادگیری ماشین به دست آورند.

پس از Extract، با Player دلخواه خود مشاهده کنید.

منبع  : دانلودلی

برای مشاهده کامل مطلب کلیک کنید

اشتراک‌گذاری

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *