استقرار یادگیری ماشین مقیاس پذیر برای علم داده

مدرس Dan Sullivan

انتشار 2018/08/17

مدت زمان 1h 43m

سطح متوسط

فایل تمرینی دارد

آموزش Deploying Scalable Machine Learning for Data Science

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.

Data Science Docker Products Machine Learning

Introduction

Scaling ML models ()

What you should know ()

1. The Need to Scale ML Models

Building and running ML models for data scientists ()

Building and deploying ML models for production use ()

Definition of scaling ML for production ()

Overview of tools and techniques for scalable ML ()

2. Design Patterns for Scalable ML Applications

Horizontal vs. vertical scaling ()

Running models as services ()

APIs for ML model services ()

Load balancing and clusters of servers ()

Scaling horizontally with containers ()

3. Deploying ML Models as Services

Services encapsulate ML models ()

Using Plumber to create APIs for R programs ()

Using Flask to create APIs for Python programs ()

Best practices for API design for ML services ()

4. Running ML Services in Containers

Containers bundle ML model components ()

Introduction to Docker ()

Building Docker images with Dockerfiles ()

Example Docker build process ()

Using Docker registries to manage images ()

5. Scaling ML Services with Kubernetes

Running services in clusters ()

Introduction to Kubernetes ()

Creating a Kubernetes cluster ()

Deploying containers in a Kubernetes cluster ()

Scaling up a Kubernetes cluster ()

Autoscaling a Kubernetes cluster ()

6. ML Services in Production

Monitoring service performance ()

Service performance data ()

Docker container monitoring ()

Kubernetes monitoring ()

Conclusion

Best practices for scaling ML ()

Next steps ()

Ex_Files_Scalable_ML_Data.zip (1.0 MB)

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.