【Udemy中英字幕】Machine Learning Deep Learning model deployment

机器学习深度学习模型部署

服务 TensorFlow Keras PyTorch Python 模型 Flask 无服务器 REST API MLOps MLflow NLP tensorflow.js deplo OpenAI GPT

讲师：FutureX Skills

双语IT资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！

用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。

您将学到什么

• 机器学习深度学习模型部署技术
• 使用 Scikit-Learn、TensorFlow 和 PyTorch 构建简单模型
• 在云实例上部署机器学习模型
• TensorFlow Serving 并从 PyTorch 模型中提取权重
• 为机器学习模型创建无服务器 REST API
• 部署 tf-idf 和文本分类器模型进行 Twitter 情绪分析
• 使用 TensorFlow js 和 JavaScript 部署模型
• 使用 MLflow 进行机器学习实验和部署

探索相关主题

• ML 模型部署
• 数据科学
• 发展

要求

• 需要有机器学习和深度学习背景，但这不是必须的，因为我们还涵盖了模型构建过程

描述

在本课程中，您将学习如何使用各种技术部署机器学习深度学习模型。本课程将带您超越模型开发，并通过实际示例解释不同应用程序如何使用该模型

课程结构：

1. 使用 Scikit-learn 创建分类模型

2. 保存模型和标准缩放器

3. 将模型导出到另一个环境 – 本地和 Google Colab

4. 使用 Python Flask 创建 REST API 并在本地使用它

5. 在云虚拟服务器上创建机器学习 REST API

6. 使用 Cloud Functions 创建无服务器机器学习 REST API

7. 使用 TensorFlow Serving 构建和部署 TensorFlow 和 Keras 模型

8. 构建和部署 PyTorch 模型

9. 使用 ONNX 将 PyTorch 模型转换为 TensorFlow 格式

10. 为 Pytorch 和 TensorFlow 模型创建 REST API

11. 部署 tf-idf 和文本分类器模型进行 Twitter 情绪分析

12. 使用 TensorFlow.js 和 JavaScript 部署模型

13. 使用 MLFLow 跟踪模型训练实验和部署

14. 在 Colab 和 Databricks 上运行 MLFlow

附录 – 生成式人工智能 – 杂项主题。

• OpenAI 和 GPT 模型的历史

• 创建 OpenAI 帐户并从 Python 代码调用文本转语音模型

• 从 Python 代码调用 OpenAI 聊天完成、文本生成、图像生成模型

• 在 Google Colab 上使用 Python 创建具有 OpenAI API 和 ChatGPT 模型的聊天机器人

• ChatGPT、大型语言模型 (LLM) 和即时工程

本课程将介绍 Python 基础知识和使用 Scikit-learn 构建机器学习模型。本课程专为没有机器学习和深度学习经验的初学者设计

您还将学习如何使用 TensorFlow Keras 和 PyTorch 构建和部署神经网络。需要 Google Cloud (GCP) 免费试用帐户才能试用一些专为云环境设计的实验室。

本课程适合哪些人：

• 机器学习初学者