در این دوره ، متخصص MLOPS ، ماریا وختومووا ، مؤلفه ها و اصولی را معرفی می کند که باید درک کنید تا با موفقیت مدل های یادگیری ماشین را برای تولید در پایگاه داده ها مستقر کنید. وارد فرآیند گام به گام استفاده از مهندسی ویژگی در کاتالوگ وحدت ، ردیابی آزمایش های مدل در MLFlow ، ثبت یک مدل در کاتالوگ وحدت و استقرار مدل خود با استفاده از مدل Databricks Model. مواردی را که در آن می توان از ویژگی های استفاده استفاده کرد ، کاوش کنید و نحوه استقرار یک ویژگی سرویس دهی را پیدا کنید. به علاوه ، یاد بگیرید که چگونه کد خود را بسته بندی کنید ، پروژه خود را با استفاده از بسته های دارایی Databricks مستقر کنید و برنامه ML خود را با استفاده از جداول استنتاج و نظارت بر دریاچه نظارت کنید.

 این دوره اتوماسیون و مدیریت گردش‌های کاری یادگیری ماشین، از دریافت داده تا استقرار مدل را پوشش می‌دهد. به مربی Janani Ravi بپیوندید تا به شما نحوه تنظیم و بهینه سازی خطوط لوله داده را آموزش می دهد و از عملکرد کارآمد، مقیاس پذیر و قابل اعتماد سیستم های هوش مصنوعی در محیط های تولید اطمینان می دهد. این دوره برای هر کسی که با هوش مصنوعی، زیرساخت داده و عملیات یادگیری ماشین (MLOps) کار می کند، از جمله مهندسان داده، مهندسان AI و ML، مهندسان MLOPs و مهندسان DevOps مناسب است.

 

در این دوره آموزشی، نحوه تسلط بر MLflow و Hugging Face، دو پلتفرم منبع باز قدرتمند برای MLOها را بیاموزید. با شروع MLflow، یاد بگیرید که چگونه چرخه زندگی یادگیری ماشین را ساده کنید، پروژه ها و مدل ها را مدیریت کنید، از سیستم UI ردیابی استفاده کنید و با مدل های ثبت شده تعامل کنید. سپس، با مروری بر Hugging Face Hub، مخازن، و Hugging Face Spaces، مقدمه ای برای Hugging Face دریافت کنید. نحوه همکاری و استقرار مدل‌ها، ذخیره مجموعه داده‌ها و مدل‌ها، ایجاد دموهای تعاملی زنده و استفاده از مخازن جامعه را بیاموزید.

توجه: این دوره توسط آزمایشگاه‌های هوش مصنوعی Pragmatic ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم

 با پیشرفت های اخیر در فضای هوش مصنوعی، گردش کار برای استقرار، نظارت و نگهداری مدل های ML تغییر کرده است. در این دوره، کیت مک کورمیک - یک داده کاوی، مربی، سخنران و نویسنده مستقل - مراحل پروژه ML را تجزیه می کند و شما را از طریق ارزیابی مدل، امتیازدهی، استقرار و نگهداری مدل راهنمایی می کند. در مورد مهندسی داده و MLOps در چرخه حیات ML و همچنین اصول اولیه مدل سازی ML بیاموزید. یک چک لیست استقرار مفید دریافت کنید که می توانید در ارزیابی مدل از آن استفاده کنید. نحوه امتیاز دهی به مدل‌های سنتی ML، مدل «جعبه سیاه» و یک گروه را بیاموزید. برو بیش از دسته و به ثمر رساند زمان واقعی. به علاوه، نظارت بر مدل و بهترین فرکانس برای بازسازی مدل را کشف کنید.

 

هر چه بیشتر به هوش مصنوعی (AI) و یادگیری ماشین (ML) تکیه کنیم، بیشتر به آن سیستم‌ها نیاز داریم که قابل اعتماد و انعطاف‌پذیر باشند. در این دوره - که برای مهندسان ML، دانشمندان داده، متخصصان AppSec یا MLSec و رهبران کسب و کار طراحی شده است - به مدرس Diana Kelley بپیوندید تا با تمرکز بر تاثیرگذارترین مسائل امنیتی و استراتژی‌های پیشگیری با استفاده از چارچوب MLSecOps و MLSecOps، مروری کلی از نحوه ایجاد امنیت در یادگیری ماشین و هوش مصنوعی ارائه دهد.

DevSecOps برای پیدا کردن اینکه چگونه و کجا امنیت را می توان در خط لوله ML بافته کرد. دیانا به شما نشان می‌دهد که چگونه می‌توانید مدل‌های یادگیری ماشین را ایمن کنید، ارزیابی‌های ریسک آگاه از هوش مصنوعی را انجام دهید، زنجیره‌های تامین را ممیزی و پایش کنید، طرح‌های واکنش به حادثه را اجرا کنید، و تیم رویایی MLSecOps خود را بسازید. در پایان این دوره، شما آماده خواهید بود که به افراد و سازمان ها کمک کنید تا در مورد ایمن سازی سیستم های هوش مصنوعی و ML خود فعال تر باشند.

 پروژه ها

• از مجموعه داده های دنیای واقعی برای ساخت پروژه در Vertex AI استفاده کنید.
• با استفاده از Vertex AI یک مدل یادگیری ماشینی (ML) را آموزش دهید، ثبت کنید و به کار بگیرید.
• تاریخچه و نسخه داده را ردیابی کنید، از خاموش شدن منابع اطمینان حاصل کنید و مدل ML را برای عملکرد و کیفیت نظارت کنید. 

با نحوه آموزش و مدیریت مدل های یادگیری ماشینی با استفاده از Vertex AI، راه حل ابری MLOps که توسط Google طراحی شده است، آشنا شوید. به مربیان Archana Vaidheeswaran و Soham Chatterjee بپیوندید زیرا آنها مهارت های فنی لازم را برای ساختن، آموزش، ثبت نام، استقرار و مدیریت مدل ML قابل تنظیم خود به شما نشان می دهند.

با نحوه استفاده از Vertex AI برای:
آشنا شوید

• مدل‌های ML دقیق، قابل اعتماد و مقیاس‌پذیر بسازید، از بارگیری داده‌ها تا مهندسی ویژگی، تنظیم فراپارامتر، و استقرار و نظارت مدل.
• ذخیره، سازماندهی و همکاری در مورد ویژگی های داده قابل اندازه گیری یک مدل ML در فروشگاه ویژگی Vertex AI.
• مدل های یک پروژه را با AutoML آموزش و ارزیابی کنید.
• مدل های ML را مدیریت و نسخه کنید، آنها را در تولید مستقر کنید و دسترسی به آنها را با Vertex AI Model Registry کنترل کنید.
• یک مدل یادگیری عمیق آموزش دیده را با استفاده از Vertex AI Predictions اجرا کنید.
• معیارهای مدل های آموزش دیده را با TensorBoard تجسم و تجزیه و تحلیل کنید.
• مدل‌ها را برای عملکرد و کیفیت، مدیریت هزینه و منابع، و تغییر مدل و انتساب ویژگی نظارت کنید.

 در این دوره ، تکنسین اصلی ابر ، لی آسام شما را با آمازون Bedrock آشنا می کند و درک بنیادی از AI تولیدی و نحوه استفاده از مدل های پایه (FMS) را می توان برای حل مشکلاتی مانند خلاصه متن ، جستجوی معنایی/مکالمه و تولید محتوا ارائه داد. با استفاده از کتابخانه هایی مانند Python Boto3 ، Langchain و Streamlit ، می توانید نحوه ساخت برنامه های AI مولد را ایجاد کنید که از مدل های بزرگ زبان (LLMS) با استفاده از API بدون مدیریت زیرساخت استفاده می کنند. FMS از پیش ساخته موجود در Bedrock Amazon و ویژگی هایی را که آمازون Bedrock ارائه می دهد ، کاوش کنید. به علاوه ، آنچه را که یاد می گیرید هنگام ساختن یک برنامه اصلی Gen AI با استفاده از Amazon Bedrock برای نشان دادن قابلیت های آن ، تمرین کنید.