آموزش عمیق تمام پشته با پایتون

مدرس Janani Ravi

انتشار 2024/02/06

مدت زمان 1h 58m

سطح مناسب همه

فایل تمرینی دارد

آموزش Full-Stack Deep Learning with Python

اگر به دنبال درک عمیق تری از یادگیری عمیق و پایتون هستید، این دوره عملی می تواند به شما کمک کند. در این دوره، مهندس معمار ابر و مهندس داده خبره گوگل، جانانی راوی، شما را از طریق پیچیدگی های یادگیری عمیق تمام پشته با پایتون راهنمایی می کند. پس از بررسی آموزش عمیق پشته کامل، MLOps و MLflow، به راه‌اندازی محیط خود در Google Colab و اجرای MLflow بپردازید. نحوه بارگیری و کاوش یک مجموعه داده و همچنین نحوه ثبت معیارها، پارامترها و مصنوعات را بیاموزید. آموزش مدل، ارزیابی و تنظیم فراپارامتر را کاوش کنید. به علاوه، به استقرار مدل و پیش‌بینی‌ها بپردازید.

Deep Learning Python (Programming Language)

Introduction

Full-stack deep learning, MLOps, and MLflow ()

Prerequisites ()

1. An Overview of Full-Stack Deep Learning

Introducing full-stack deep learning ()

Introducing MLOps ()

Introducing MLflow ()

Setting up the environment on Google Colab ()

Running MLflow and using ngrok to access the MLflow UI ()

2. Model Training and Evaluation Using MLflow

Loading and exploring the EMNIST dataset ()

Logging metrics, parameters, and artifacts in MLflow ()

Set up the dataset and data loader ()

Configuring the image classification DNN model ()

Training a model within an MLflow run ()

Exploring parameters and metrics in MLflow ()

Making predictions using MLflow artifacts ()

3. Model Training and Hyperparameter Tuning

Preparing data for image classification using CNN ()

Configuring and training the model using MLflow runs ()

Visualizing charts, metrics, and parameters on MLflow ()

Setting up the objective function for hyperparameter tuning ()

Hyperparameter optimization with Hyperopt and MLflow ()

Identifying the best model ()

Registering a model with the MLflow registry ()

4. Model Deployment and Predictions

Setting up MLflow on the local machine ()

Workaround to get model artifacts on the local machine ()

Deploying and serving the model locally ()

Conclusion

Summary and next steps ()

Ex_Files_Full_Stack_Deep_Learning_Python.zip (34.6 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.

مسیرهای یادگیری آموزش آموزش عمیق تمام پشته با پایتون

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Full-Stack Deep Learning with Python در 1 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

نقش مهندس هوش مصنوعی همچنان با انتقال توسعه دهندگان به حوزه تحول آفرین هوش مصنوعی محبوبیت پیدا می کند. در این مسیر یادگیری، مهارت های لازم برای موفقیت در این نقش را به دست خواهید آورد. این سری از دوره ها مفاهیم اصلی و مهارت های عملی مورد نیاز شما را قبل از غواصی در آموزش عملی در یادگیری عمیق، بینایی کامپیوتر و شبکه های عصبی پوشش می دهد. برای این مسیر یادگیری تجربه کدنویسی در پایتون الزامی است.

آموزش آموزش عمیق تمام پشته با پایتون ، ایستگاه شماره 3 در مسیر یادگیری یک مهندس هوش مصنوعی شوید ، است.