بوتکمپ رایگان و پرطرفدار یادگیری ماشین با ۱۴ هزار ستاره گیتهاب برگشت؛ آغاز ثبتنام دوره جدید!
بوتکمپ محبوب و رایگان Machine Learning Zoomcamp با بیش از ۱۴ هزار ستاره در گیتهاب، ثبتنام دوره جدید خود را آغاز کرد. این دوره کاربردی، مسیر کامل انتقال مدلهای هوش مصنوعی از نوتبوک به سرویسهای عملیاتی روی کوبرنتیز را به علاقهمندان آموزش میدهد.
در یک نگاه (نکات کلیدی خبر)
خلاصه مهمترین نکات و تحولات این گزارش برای مطالعه سریع
- دوره رایگان و کامیونیتیمحور Machine Learning Zoomcamp بعد از رد کردن مرز ۱۴٬۶۰۰ ستاره، دوباره حسابی تو گیتهاب ترند شده است.
- ثبتنام برای ورودی جدید این دوره ۴ ماهه باز شده و از ۲۳ شهریور با تمرکز جدی روی استقرار عملیاتی مدلها در دنیای واقعی آغاز میشود.
- در این بوتکمپ صفر تا صد مسیر یعنی از پیشپردازش داده با پایتون تا ساخت کانتینر داکر، وبسرویس FastAPI و مدیریت روی کوبرنتیز آموزش داده خواهد شد.
دوره رایگان و جامعهمحور Machine Learning Zoomcamp که توسط DataTalks.Club برگزار میشود، پس از عبور مخزن گیتهاب خود از مرز ۱۴٬۶۰۰ ستاره، بار دیگر در صدر پروژههای ترند گیتهاب قرار گرفت. ثبتنام دوره جدید برای شروع در ۲۳ شهریور (۱۴ سپتامبر) باز شده است؛ دورهای جذاب که کل مسیر یادگیری را از کار با دادههای خام تا ساخت یک سرویس پیشبینی کانتینریزه و اجرا روی کوبرنتیز پوشش میدهد.
برنامه آموزشی این بوتکمپ بهطور خاص روی استقرار (Deployment) مدلهای آموزشدیده تمرکز دارد. شرکتکنندگان یاد میگیرند که چطور مدلها را ارزیابی کنند، خروجی پیشبینیها را از طریق یک HTTP API در دسترس قرار دهند، برنامه را با داکر (Docker) بستهبندی کنند و در نهایت آن را با ابزارهای سرورلس یا ابزارهای مدیریت کانتینر مستقر سازند. این رویکرد عملیاتی دقیقاً همان مهارتی است که برای خارج کردن مدل از محیط نوتبوک و متصل کردن آن به نرمافزارهای دنیای واقعی به آن نیاز دارید.
استقبال کمنظیر و ستارههای گیتهاب این پروژه گویای کیفیت بالای آن است. رایگان بودن تمام درسها، تمرینها، سنجههای ارزیابی پروژه و نمونههای عملی استقرار باعث شده علاقهمندان بتوانند قبل از ثبتنام، تمام ابعاد و سرفصلهای این دوره را بررسی کنند.
از محیط نوتبوک تا یک سرویس عملیاتی و واقعی
پایتون هسته اصلی این دوره است؛ جایی که از نامپای (NumPy) و پنداس (pandas) برای آمادهسازی دادهها، از scikit-learn برای یادگیری ماشین سنتی و از فریمورکهای مطرح تنسورفلو، پایتورچ و کراس برای شبکههای عصبی استفاده میشود. علاوه بر این، در بخشهای استقرار و پروداکشن، توسعهدهندگان با ابزارهایی مثل FastAPI، داکر، AWS Lambda، کوبرنتیز، TensorFlow Serving و KServe کار خواهند کرد.
مرحله | مباحث و ابزارها | خروجی عملی |
|---|---|---|
فرمولبندی و تعریف مسئله |
برچسب های مرتبط
مطالب مرتبط و پیشنهادی
طعنه سنگین مدیرعامل میسترال به رقبا: «بحث ایمنی هوش مصنوعی فقط پوششی برای سهلانگاری شماست!»
آرتور منش، مدیرعامل استارتاپ فرانسوی میسترال، در واکنش به جنجالهای اخیر پیرامون خطرات هوش مصنوعی، رقبای بزرگ آمریکایی را به فریبکاری متهم کرد. او معتقد است هیاهوی ایمنی صرفاً سرپوشی برای سهلانگاری در مهار ایجنتهای سرکش است و میسترال بدون توجه به این فرافکنیها، با قدرت به توسعه مدلهای بعدی خود ادامه میدهد.
استاندارد تازه برای تایید هوش مصنوعی؛ هاروارد و شورای DTC به دنبال نشان ایمنی اختصاصی!
شورای اعتماد دیجیتال و دانشگاه هاروارد از طرحی تازه برای صدور گواهی مستقل هوش مصنوعی پرده برداشتند. این استاندارد جدید با الگوبرداری از نشانهای معتبر ایمنی مانند UL، قصد دارد خیال کاربران و کسبوکارها را از عملکرد ایمن، شفاف و سودمند سیستمهای هوش مصنوعی راحت کند.
جهش برقآسای نابغه هوش مصنوعی شیائومی: مدیر پروژه MiMo به بالاترین جایگاه شغلی این غول چینی رسید!
شیائومی در تصمیمی غافلگیرکننده، لو فولی، مغز متفکر ۳۱ ساله و مدیر تیم مدلهای بزرگ هوش مصنوعی MiMo را به بالاترین سطح شغلی در ساختار این غول فناوری رساند. این پژوهشگر برجسته که پیشتر از مهرههای کلیدی دیپسیک بود، تنها در عرض ۱۰ ماه به جایگاهی همتراز با معاونان ارشد دست یافته تا جاهطلبیهای هوش مصنوعی شیائومی را هدایت کند.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
هنوز دیدگاهی برای این مطلب ثبت نشده است
اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.