سپنتا کتاب اکسپرس
کتاب مهندسی و مدیریت چرخه حیات یادگیری ماشین در ابر با TensorFlow Extended، Cloud Composer و MLflow

کتاب مهندسی و مدیریت چرخه حیات یادگیری ماشین در ابر با TensorFlow Extended، Cloud Composer و MLflow

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی و مدیریت چرخه حیات یادگیری ماشین در ابر با TensorFlow Extended، Cloud Composer و MLflow

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعه و استقرار مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه ای بر مهندسی یادگیری ماشین
  • 2. مبانی یادگیری ماشین
  • 3. چرخه حیات پروژه یادگیری ماشین
  • 4. مقدمه ای بر TensorFlow Extended (TFX)
  • 5. مزایای TFX در مهندسی ML
  • 6. مولفه‌های اصلی TFX
  • 7. توسعه اولین پایپ‌لاین TFX
  • 8. آماده‌سازی داده‌ها با TFX Transform
  • 9. آموزش مدل با TFX Trainer
  • 10. ارزیابی مدل با TFX Evaluator
  • 11. اعتبارسنجی مدل با TFX Validator
  • 12. استقرار مدل با TFX Pusher
  • 13. مقدمه ای بر Google Cloud Composer
  • 14. Cloud Composer چیست؟
  • 15. کاربردهای Cloud Composer در ML
  • 16. اتصال Cloud Composer به TFX
  • 17. ایجاد پایپ‌لاین‌های ارکستره شده با Composer
  • 18. زمان‌بندی اجرای پایپ‌لاین‌ها
  • 19. مدیریت وابستگی‌ها در Composer
  • 20. مانیتورینگ پایپ‌لاین‌ها در Composer
  • 21. مقدمه ای بر MLflow
  • 22. کاربردهای MLflow در مدیریت چرخه حیات ML
  • 23. ردیابی آزمایش‌ها با MLflow Tracking
  • 24. مدیریت مدل‌ها با MLflow Models
  • 25. استقرار مدل‌ها با MLflow Deployments
  • 26. همگام‌سازی TFX و MLflow
  • 27. استفاده از MLflow برای ردیابی پایپ‌لاین‌های TFX
  • 28. مدیریت نسخه‌های مدل با MLflow
  • 29. بهینه‌سازی پایپ‌لاین‌های TFX
  • 30. مقیاس‌پذیری پایپ‌لاین‌های ML در ابر
  • 31. ملاحظات امنیتی در استقرار ML
  • 32. مدیریت منابع در Google Cloud
  • 33. بهینه‌سازی هزینه در پروژه‌های ML ابری
  • 34. مقدمه ای بر MLOps
  • 35. اصول MLOps
  • 36. پیاده‌سازی MLOps با TFX و Composer
  • 37. استفاده از Docker و Kubernetes در MLOps
  • 38. خودکارسازی استقرار مدل
  • 39. نظارت بر عملکرد مدل پس از استقرار
  • 40. تشخیص انحراف داده و مدل
  • 41. بازآموزی خودکار مدل‌ها
  • 42. تست در چرخه حیات ML
  • 43. کیفیت داده و تأثیر آن بر مدل
  • 44. روش‌های پیش‌پردازش داده برای ML
  • 45. مهندسی ویژگی با TFX Transform
  • 46. انتخاب الگوریتم‌های مناسب برای آموزش
  • 47. تنظیم ابرپارامترها (Hyperparameter Tuning)
  • 48. ارزیابی عمیق مدل‌ها
  • 49. تکنیک‌های اعتبارسنجی متقابل (Cross-validation)
  • 50. تفسیرپذیری مدل‌های ML
  • 51. مقدمه ای بر شبکه‌های عصبی
  • 52. یادگیری عمیق با TensorFlow
  • 53. مقدمه ای بر Keras
  • 54. آموزش مدل‌های طبقه‌بندی
  • 55. آموزش مدل‌های رگرسیون
  • 56. شبکه‌های عصبی کانولوشنی (CNN)
  • 57. شبکه‌های عصبی بازگشتی (RNN)
  • 58. پردازش زبان طبیعی (NLP)
  • 59. کاربرد TFX در پروژه‌های NLP
  • 60. کاربرد Composer در ارکستراسیون NLP
  • 61. کاربرد MLflow در مدیریت مدل‌های NLP
  • 62. مقدمه ای بر بینایی ماشین
  • 63. کاربرد TFX در پروژه‌های بینایی ماشین
  • 64. کاربرد Composer در ارکستراسیون بینایی ماشین
  • 65. کاربرد MLflow در مدیریت مدل‌های بینایی ماشین
  • 66. سیستم‌های توصیه‌گر
  • 67. کاربرد TFX در سیستم‌های توصیه‌گر
  • 68. کاربرد Composer در سیستم‌های توصیه‌گر
  • 69. کاربرد MLflow در سیستم‌های توصیه‌گر
  • 70. مدیریت داده‌های حجیم (Big Data)
  • 71. یکپارچه‌سازی TFX با BigQuery
  • 72. یکپارچه‌سازی Composer با Dataflow
  • 73. یکپارچه‌سازی MLflow با Spark
  • 74. ملاحظات اخلاقی در هوش مصنوعی
  • 75. سوگیری در داده‌ها و مدل‌ها
  • 76. کاهش سوگیری در مدل‌های ML
  • 77. مسئولیت‌پذیری در هوش مصنوعی
  • 78. حریم خصوصی داده‌ها در ML
  • 79. قوانین و مقررات مربوط به هوش مصنوعی
  • 80. آینده مهندسی یادگیری ماشین
  • 81. روندهای نوین در MLOps
  • 82. ابزارهای جدید در اکوسیستم ML
  • 83. یادگیری تقویتی
  • 84. یادگیری بدون نظارت
  • 85. یادگیری نیمه‌نظارتی
  • 86. یادگیری ترکیبی (Hybrid Learning)
  • 87. معماری‌های پیشرفته مدل
  • 88. بهینه‌سازی مدل برای استقرار در لبه (Edge Deployment)
  • 89. پایپ‌لاین‌های ML برای داده‌های سری زمانی
  • 90. تحلیل داده‌های گراف (Graph Data Analysis)
  • 91. مدل‌های تولیدکننده (Generative Models)
  • 92. مقدمه ای بر یادگیری فدرال (Federated Learning)
  • 93. استقرار مدل‌های ML در مقیاس بزرگ
  • 94. مدیریت چرخه حیات مدل در محیط‌های چند ابری (Multi-cloud)
  • 95. استفاده از خدمات مدیریت شده Google Cloud برای ML
  • 96. بهبود همکاری بین تیم‌های ML
  • 97. مستندسازی پایپ‌لاین‌های ML
  • 98. مدیریت دانش در پروژه‌های ML
  • 99. ارزیابی مداوم و بهبود مدل‌ها
  • 100. نقش مهندسی داده در ML

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.