描述

本課程通過涵蓋神經網絡和Tensorflow.keras API的基礎知識。然後我們將專注於使用Spark來擴展我們的模型，包括分布式培訓，超級參數調整和推斷，以及同時利用MLFLIF跟蹤，版本和管理這些模型。您將應用模型解釋性庫來解釋模型預測。此外，您將學習卷積神經網絡（CNNS）背後的概念和傳輸學習，並應用它們來解決圖像分類任務。我們將通過覆蓋自然語言處理（NLP）應用程序的經常性神經網絡（RNN）和基於關注的模型來包裝課程。

期間

2個全天或4半

目標

• 使用TensorFlow.keras構建深度學習模型
• Tune Hyperopt和Spark的比例曲調
• 曲目，版本和管理使用MLFLIM的實驗
• 使用Pandas UDF進行比例執行分布式推斷
• 使用HOROVOD的規模和培訓分布式深度學習模型
• 應用模型解釋性庫，如Shap，以了解模型預測
• 使用CNN和傳輸學習進行圖像分類任務
• 使用RNN，關注的模型，並轉移NLP任務的學習

先決條件

• 與Python / Pandas的中間體驗
• 體驗建築機器學習模式
• 熟悉Apache Spark

後勤

• 縮放是我們選擇的在線平台來提供課程。Beplay体育安卓版本確保您可以訪問縮放點擊此處。
• 請擁有其中一個支持支持的瀏覽器。

大綱

第1天

• 神經網絡和TF.Keras基礎知識
• 通過添加數據標準化，回調，檢查點等來改進模型。
• 跟蹤和版本模型與mlflow
• 分布熊貓UDFS推斷
• 使用hyperopt分布式的hyperparameter調整
• 與霍洛夫的分布式模型培訓

第2天

• 隨著霍洛夫德和寵物的分布式模型培訓
• 用石灰和拚接模型解釋性
• 用於圖像分類和轉移學習的CNN
• 使用在Databricks上服務的MLFlow模型部署REST端點
• 鏟
• 使用自適應查詢執行（AQE）優化
• 文本嵌入，RNN，基於關注的模型，以及命名實體識別的轉移學習（ner）

如果您有任何疑問，請參閱我們的經常問的問題頁。