به دنبال بینشی در مورد اینکه چگونه TFX می تواند برای ایجاد راه حلی که نیازهای شما را برآورده می کند به کار رود؟ این مقالات و راهنماهای عمیق ممکن است کمک کند!
معماری یک سیستم یادگیری ماشینی برای تطبیق آیتم ها در زمان واقعی
از این سند برای آشنایی با معماری راه حل یادگیری ماشینی (ML) که جاسازی آیتم ها را یاد می گیرد و ارائه می کند، استفاده کنید. جاسازی‌ها می‌توانند به شما کمک کنند تا بفهمید مشتریان شما چه مواردی را مشابه می‌دانند، که به شما امکان می‌دهد پیشنهادات «مواردی مشابه» را در برنامه‌تان در زمان واقعی ارائه دهید. این راه حل به شما نشان می دهد که چگونه آهنگ های مشابه را در یک مجموعه داده شناسایی کنید و سپس از این اطلاعات برای ارائه توصیه های آهنگ استفاده کنید. ادامه مطلب
پیش پردازش داده ها برای یادگیری ماشین: گزینه ها و توصیه ها
این مقاله دو قسمتی به بررسی موضوع مهندسی داده و مهندسی ویژگی برای یادگیری ماشین (ML) می‌پردازد. این بخش اول بهترین شیوه های پیش پردازش داده ها در خط لوله یادگیری ماشین در Google Cloud را مورد بحث قرار می دهد. این مقاله بر استفاده از TensorFlow و کتابخانه منبع باز TensorFlow Transform (tf.Transform) برای تهیه داده ها، آموزش مدل و ارائه مدل برای پیش بینی تمرکز دارد. این بخش چالش‌های پیش‌پردازش داده‌ها برای یادگیری ماشین را برجسته می‌کند و گزینه‌ها و سناریوها را برای انجام تبدیل داده‌ها در Google Cloud به طور موثر نشان می‌دهد. قسمت 1 قسمت 2
معماری برای MLO ها با استفاده از TFX، Kubeflow Pipelines و Cloud Build
این سند معماری کلی یک سیستم یادگیری ماشین (ML) را با استفاده از کتابخانه های TensorFlow Extended (TFX) توصیف می کند. همچنین نحوه راه اندازی یکپارچگی پیوسته (CI)، تحویل مداوم (CD) و آموزش مداوم (CT) برای سیستم ML با استفاده از Cloud Build و Kubeflow Pipelines را مورد بحث قرار می دهد. ادامه مطلب
MLOps: خطوط لوله تحویل مستمر و اتوماسیون در یادگیری ماشین
این سند تکنیک‌هایی را برای پیاده‌سازی و خودکارسازی یکپارچه‌سازی مداوم (CI)، تحویل مداوم (CD) و آموزش مداوم (CT) برای سیستم‌های یادگیری ماشین (ML) مورد بحث قرار می‌دهد. علم داده و ML در حال تبدیل شدن به قابلیت‌های اصلی برای حل مشکلات پیچیده دنیای واقعی، تبدیل صنایع و ارائه ارزش در همه حوزه‌ها هستند. ادامه مطلب
راه اندازی یک محیط MLOps در Google Cloud
این راهنمای مرجع، معماری یک محیط عملیات یادگیری ماشینی (MLOps) را در Google Cloud تشریح می‌کند. این راهنما با آزمایشگاه‌های عملی در GitHub همراه است که شما را در فرآیند تهیه و پیکربندی محیطی که در اینجا توضیح داده شده است، راهنمایی می‌کند. تقریباً همه صنایع با سرعتی سریع از یادگیری ماشینی (ML) استفاده می کنند. یک چالش کلیدی برای بدست آوردن ارزش از ML، ایجاد راه هایی برای استقرار و راه اندازی موثر سیستم های ML است. این راهنما برای مهندسین یادگیری ماشین (ML) و DevOps در نظر گرفته شده است. ادامه مطلب
الزامات کلیدی برای یک بنیاد MLOps
سازمان‌های مبتنی بر هوش مصنوعی از داده‌ها و یادگیری ماشینی برای حل سخت‌ترین مشکلات خود استفاده می‌کنند و از مزایای آن بهره می‌برند.
به گفته موسسه جهانی مک کینزی، شرکت هایی که تا سال 2025 به طور کامل هوش مصنوعی را در جریان کار تولید ارزش خود جذب می کنند، با رشد 120 درصدی جریان نقدی بر اقتصاد جهان در سال 2030 مسلط خواهند شد .
اما در حال حاضر آسان نیست. سیستم‌های یادگیری ماشین (ML) ظرفیت ویژه‌ای برای ایجاد بدهی فنی دارند، اگر به خوبی مدیریت نشوند. ادامه مطلب
نحوه ایجاد و استقرار یک کارت مدل در فضای ابری با Scikit-Learn
مدل های یادگیری ماشین اکنون برای انجام بسیاری از وظایف چالش برانگیز استفاده می شوند. مدل‌های ML با پتانسیل گسترده‌ای که دارند، سؤالاتی را در مورد استفاده، ساخت و محدودیت‌های خود مطرح می‌کنند. مستندسازی پاسخ به این سؤالات به وضوح و درک مشترک کمک می کند. برای کمک به پیشبرد این اهداف، گوگل کارت های مدل را معرفی کرده است. ادامه مطلب
تجزیه و تحلیل و اعتبارسنجی داده ها در مقیاس برای یادگیری ماشین با اعتبارسنجی داده های TensorFlow
این سند نحوه استفاده از کتابخانه TensorFlow Data Validation (TFDV) برای کاوش داده ها و تجزیه و تحلیل توصیفی در طول آزمایش را مورد بحث قرار می دهد. دانشمندان داده و مهندسان یادگیری ماشین (ML) می‌توانند از TFDV در یک سیستم ML تولیدی برای اعتبارسنجی داده‌هایی که در یک خط لوله آموزش مداوم (CT) استفاده می‌شود، و برای تشخیص انحرافات و نقاط پرت در داده‌های دریافت‌شده برای ارائه پیش‌بینی استفاده کنند. این شامل آزمایشگاه های عملی است. ادامه مطلب