استقرار یادگیری ماشین مقیاس پذیر برای علم داده

مدل‌های یادگیری ماشینی اغلب در محیط‌های تولیدی پیچیده اجرا می‌شوند که می‌توانند با جزر و مد داده‌های بزرگ سازگار شوند. ابزارها و شیوه هایی که به دانشمندان داده کمک می کند تا به سرعت مدل های یادگیری ماشین را ساخت کنند، برای استقرار آن مدل ها در مقیاس کافی نیستند. برای ارائه راه حل های مقیاس پذیر، به یک مجموعه ابزار کاملا جدید نیاز دارید. این دوره به دانشمندان داده و مهندسان DevOps یک مرور کلی از الگوهای طراحی رایج برای معماری‌های یادگیری ماشین مقیاس‌پذیر و همچنین ابزارهایی برای استقرار و حفظ مدل‌های یادگیری ماشین در تولید ارائه می‌دهد. مدرس دن سالیوان سه فناوری را بررسی می‌کند که یادگیری ماشینی مقیاس‌پذیر را امکان‌پذیر می‌سازد: خدماتی که مدل‌ها را از طریق APIها نشان می‌دهند، کانتینرهایی برای استقرار مدل‌ها، و ابزارهای هماهنگ‌سازی مانند Kubernetes که به مدیریت کانتینرها و خوشه‌ها کمک می‌کنند. به علاوه، نکاتی را برای نظارت بر عملکرد خدمات خود در محیط های تولیدی دریافت کنید.