هل تبحث عن رؤى حول كيفية تطبيق TFX لبناء حل يلبي احتياجاتك؟ قد تساعدك هذه المقالات والأدلة المتعمقة!
بنية نظام التعلم الآلي لمطابقة العناصر في الوقت الفعلي تقريبًا
استخدم هذا المستند للتعرف على بنية حل التعلم الآلي (ML) الذي يتعلم عمليات تضمين العناصر ويخدمها. يمكن أن تساعدك عمليات التضمين في فهم العناصر التي يعتبرها عملاؤك متشابهة، مما يمكّنك من تقديم اقتراحات "عناصر مماثلة" في الوقت الفعلي في تطبيقك. يوضح لك هذا الحل كيفية تحديد الأغاني المشابهة في مجموعة بيانات، ثم استخدام هذه المعلومات لتقديم توصيات الأغاني. اقرأ أكثر
المعالجة المسبقة للبيانات للتعلم الآلي: الخيارات والتوصيات
تستكشف هذه المقالة المكونة من جزأين موضوع هندسة البيانات وهندسة الميزات للتعلم الآلي (ML). يناقش هذا الجزء الأول أفضل ممارسات المعالجة المسبقة للبيانات في مسار التعلم الآلي على Google Cloud. تركز المقالة على استخدام TensorFlow ومكتبة TensorFlow Transform (tf.Transform) مفتوحة المصدر لإعداد البيانات وتدريب النموذج وخدمة النموذج للتنبؤ. يسلط هذا الجزء الضوء على تحديات المعالجة المسبقة للبيانات للتعلم الآلي، ويوضح الخيارات والسيناريوهات اللازمة لإجراء تحويل البيانات على Google Cloud بشكل فعال. الجزء 1 الجزء 2
بنية MLOps باستخدام TFX وKubeflow Pipelines وCloud Build
يصف هذا المستند البنية العامة لنظام التعلم الآلي (ML) باستخدام مكتبات TensorFlow Extended (TFX). ويناقش أيضًا كيفية إعداد التكامل المستمر (CI)، والتسليم المستمر (CD)، والتدريب المستمر (CT) لنظام ML باستخدام Cloud Build وKubeflow Pipelines. اقرأ أكثر
MLOps: خطوط أنابيب التسليم والأتمتة المستمرة في التعلم الآلي
يناقش هذا المستند تقنيات تنفيذ وأتمتة التكامل المستمر (CI)، والتسليم المستمر (CD)، والتدريب المستمر (CT) لأنظمة التعلم الآلي (ML). أصبحت علوم البيانات والتعلم الآلي من القدرات الأساسية لحل مشاكل العالم الحقيقي المعقدة، وتحويل الصناعات، وتقديم القيمة في جميع المجالات. اقرأ أكثر
إعداد بيئة MLOps على Google Cloud
يوضح هذا الدليل المرجعي بنية بيئة عمليات التعلم الآلي (MLOps) على Google Cloud. يرافق الدليل المعامل العملية في GitHub والتي ترشدك خلال عملية توفير البيئة الموضحة هنا وتكوينها. تتبنى جميع الصناعات تقريبًا التعلم الآلي (ML) بوتيرة متسارعة. يتمثل التحدي الرئيسي للحصول على قيمة من تعلم الآلة في إنشاء طرق لنشر أنظمة تعلم الآلة وتشغيلها بشكل فعال. هذا الدليل مخصص لمهندسي التعلم الآلي (ML) وDevOps. اقرأ أكثر
المتطلبات الأساسية لمؤسسة MLOps
تستخدم المؤسسات التي تعتمد على الذكاء الاصطناعي البيانات والتعلم الآلي لحل أصعب مشكلاتها وتجني الثمار.
وفقاً لمعهد ماكينزي العالمي ، فإن "الشركات التي تستوعب الذكاء الاصطناعي بشكل كامل في تدفقات عملها المنتجة للقيمة بحلول عام 2025 ستهيمن على الاقتصاد العالمي في عام 2030 مع نمو في التدفق النقدي يزيد عن 120%" .
لكن الأمر ليس سهلاً في الوقت الحالي. تتمتع أنظمة التعلم الآلي (ML) بقدرة خاصة على إنشاء ديون فنية إذا لم تتم إدارتها بشكل جيد. اقرأ أكثر
كيفية إنشاء ونشر بطاقة نموذجية في السحابة باستخدام Scikit-Learn
يتم الآن استخدام نماذج التعلم الآلي لإنجاز العديد من المهام الصعبة. ومع إمكاناتها الهائلة، تثير نماذج التعلم الآلي أيضًا تساؤلات حول استخدامها وبنائها والقيود. يساعد توثيق الإجابات على هذه الأسئلة على تحقيق الوضوح والفهم المشترك. وللمساعدة في تحقيق هذه الأهداف، قدمت Google بطاقات نموذجية. اقرأ أكثر
تحليل البيانات والتحقق من صحتها على نطاق واسع للتعلم الآلي باستخدام TensorFlow Data Validation
يناقش هذا المستند كيفية استخدام مكتبة TensorFlow Data Validation (TFDV) لاستكشاف البيانات والتحليلات الوصفية أثناء التجربة. يمكن لعلماء البيانات ومهندسي التعلم الآلي (ML) استخدام TFDV في نظام تعلم الآلة للإنتاج للتحقق من صحة البيانات المستخدمة في مسار التدريب المستمر (CT)، ولاكتشاف الانحرافات والقيم المتطرفة في البيانات المستلمة لخدمة التنبؤ. ويتضمن مختبرات عملية . اقرأ أكثر