جلد خودآموز داربست — خودآموز مهندسیِ سامانه‌های هوش مصنوعی (پیشرفته)

فایل آموزشی

آموزش MLOps و مهندسی سامانه‌های هوش مصنوعی؛ استقرار، پایش و بازآموزی مدل یادگیری ماشین (خودآموز داربست)

خودآموز پیشرفتهٔ مهندسی سامانه‌های هوش مصنوعی برای وقتی مدل باید مدت‌ها برای دیگران کار کند: تست و بسته‌بندی، مسیر داده، نسخه‌بندی و آزمایش، استقرار، پایش و رانش داده، بازآموزی، هزینه و اتکاپذیری، و کار تیمی. همه در Google Colab. خودآموز دانلودی کامل و مستقل با جواب تمرین‌ها؛ قالب PDF، EPUB و MOBI، دانلود از حساب کاربری پس از پرداخت.

امتیاز خریدارهای این خودآموز

هنوز امتیازی نیست

میانگین از سومین امتیاز

  • ۵ ستاره: ۰ نفر
  • ۴ ستاره: ۰ نفر
  • ۳ ستاره: ۰ نفر
  • ۲ ستاره: ۰ نفر
  • ۱ ستاره: ۰ نفر
یادداشت‌ها و پرسش‌ها
قیمت
۴۹۹٬۰۰۰ تومان
قالب
PDF · EPUB · MOBI
تعداد صفحه
۹۷۳
حجم
۳۵٫۶ مگابایت
زبان
فارسی
خرید و دریافت فایل

برای خرید حساب کاربری لازم است و فایل بعد از پرداخت در حساب من می‌ماند.

هر فایل به نام خریدارش آماده می‌شود: شمارهٔ موبایل و شناسهٔ حساب با خطی ریز در حاشیهٔ صفحه‌ها می‌آید. برای کاربرانِ زیر ۱۸ سال، بخشی از شماره پوشانده می‌شود.

این فایل نسخهٔ دانلودی خودآموز داربست — خودآموز MLOps و مهندسی سامانه‌های هوش مصنوعی (پیشرفته) است.

دربارهٔ این فایل

نسخهٔ دانلودی خودآموز «داربست — خودآموز مهندسیِ سامانه‌های هوش مصنوعی (پیشرفته)» با ۵۰ فصل و ۹۷۳ صفحه.

خودآموزی کامل و مستقل با جوابِ تمرین‌ها: برای خواندن و تمرین به سایت نیازی نیست. فهرست کامل و چند صفحهٔ نمونه را همین‌جا ببین.

پیش‌نمایش

این تصویرها چند صفحه از همین فایل‌اند.

  • صفحهٔ ۲ از خودآموز داربست — خودآموز مهندسیِ سامانه‌های هوش مصنوعی (پیشرفته)صفحهٔ ۲
  • صفحهٔ ۳ از خودآموز داربست — خودآموز مهندسیِ سامانه‌های هوش مصنوعی (پیشرفته)صفحهٔ ۳
  • صفحهٔ ۱۰ از خودآموز داربست — خودآموز مهندسیِ سامانه‌های هوش مصنوعی (پیشرفته)صفحهٔ ۱۰
  • صفحهٔ ۱۱ از خودآموز داربست — خودآموز مهندسیِ سامانه‌های هوش مصنوعی (پیشرفته)صفحهٔ ۱۱
  • صفحهٔ ۲۸ از خودآموز داربست — خودآموز مهندسیِ سامانه‌های هوش مصنوعی (پیشرفته)صفحهٔ ۲۸
  • صفحهٔ ۲۹ از خودآموز داربست — خودآموز مهندسیِ سامانه‌های هوش مصنوعی (پیشرفته)صفحهٔ ۲۹
صفحهٔ ۲ از خودآموز داربست — خودآموز مهندسیِ سامانه‌های هوش مصنوعی (پیشرفته)
صفحهٔ ۲ · ۱ از ۶

فهرست مطالب

  1. ترم ۱ — کدی که می‌شود به آن تکیه کرد۱۰
    1. از نوت‌بوک به ماژول۱۰
    2. اولین تست، برای کدی که داده می‌خورد۲۸
    3. چرا تستِ کدِ یادگیری ماشین فرق دارد۴۸
    4. قرارداد: تایپ و اعتبارسنجی۶۶
    5. اشکال‌یابیِ روشمند۸۱
    6. اول اندازه بگیر، بعد سریع کن۹۸
    7. سریع‌تر، بدونِ GPU۱۱۹
    8. هم‌زمانی برای کارِ داده۱۳۷
    9. پروژه: یک نوت‌بوکِ یادگیری ماشین را بسته کن۱۵۸
  2. ترم ۲ — داده به‌عنوان زیرساخت۱۸۰
    1. مسیرِ داده: از منبع تا ویژگی۱۸۰
    2. قالبِ ذخیره، با عدد۲۰۷
    3. اعتبارسنجیِ داده و قراردادِ اسکیما۲۲۵
    4. نسخه‌بندیِ داده۲۴۷
    5. برچسب: کیفیت، توافق، هزینه۲۷۱
    6. مسیرِ متنِ فارسی در مقیاس۲۹۲
    7. نمونه‌گیری و توازن، بدونِ نشتی۳۱۰
    8. حریمِ خصوصی در مسیرِ داده۳۳۰
    9. پروژه: یک مسیرِ دادهٔ بازتولیدپذیر۳۵۲
  3. ترم ۳ — آزمایش، ردیابی، بازتولید۳۶۰
    1. آزمایش، به‌عنوان واحدِ کار۳۶۰
    2. ردیابِ آزمایش، از صفر۳۷۸
    3. بازتولیدپذیریِ واقعی۳۹۸
    4. جست‌وجوی ابرپارامتر با بودجه۴۱۷
    5. مقایسهٔ صادقانه۴۳۵
    6. مدل به‌عنوان محصول: رجیستری۴۵۰
    7. ارزیابیِ آفلاین دروغ می‌گوید۴۶۷
    8. پروژه: دفترِ آزمایشِ یک مدل۴۸۸
  4. ترم ۴ — استقرار۵۱۲
    1. بسته‌بندی برای اجرا۵۱۲
    2. از تابع تا سرویس۵۳۷
    3. مرزِ سرویس: کی، چقدر، و با چه کلیدی۵۵۷
    4. کارِ دسته‌ای و صف۵۶۵
    5. `cache` و پیش‌محاسبه۵۸۶
    6. انتشارِ تدریجی۶۰۶
    7. طرحِ شکست۶۲۶
    8. هزینه در تولید۶۴۶
    9. پروژه: استقرار با طرحِ برگشت۶۶۵
  5. ترم ۵ — زنده نگه داشتن۶۸۶
    1. پایش: چه چیزی را باید دید۶۸۶
    2. رانشِ داده و رانشِ مفهوم۷۱۰
    3. کیفیت وقتی برچسب نداری۷۲۹
    4. هشدار بدونِ خستگی۷۵۲
    5. بازخوردِ کاربر به‌عنوان داده۷۷۴
    6. بازآموزی: کِی و چطور۷۹۵
    7. حادثه: تشخیص، مهار، گزارش۸۰۷
    8. پروژه: پایش و بازآموزی۸۱۵
  6. ترم ۶ — تیم، ریسک و تحویل۸۳۸
    1. مخزن، شاخه، بازبینی۸۳۸
    2. CI برای کدِ داده‌محور۸۵۷
    3. مستنداتی که کهنه نمی‌شود۸۷۹
    4. ریسک، ممیزی، ردِ تصمیم۸۹۱
    5. کارِ با ذی‌نفعِ غیرفنی۹۱۱
    6. بساز یا بخر۹۲۷
    7. پروژهٔ نهایی: یک سامانهٔ کاملِ نگه‌داشتنی۹۴۴

از میز خواننده‌ها

یادداشت‌ها و پرسش‌ها

ستاره‌ها را فقط کسانی می‌دهند که آن را خریده‌اند و یادداشتشان مهر «خریدار» دارد. پرسیدن دربارهٔ آن برای همه آزاد است و نوشتهٔ اول هر کس پیش از انتشار خوانده می‌شود.

یادداشت‌ها بعد از بارگذاری صفحه نشان داده می‌شوند.