عن الدورة
تفشل معظم مشاريع علم البيانات لأسباب متعددة، لكن من أبرزها تحديات النشر والتشغيل في بيئات الإنتاج. أحد العناصر الأساسية لحل هذه المعضلة هو فهم كيفية أتمتة وظائف خط أنابيب البيانات لديك، وكيفية تحسين أدائه بشكل مستمر. لهذا طوّرنا دورة: «عمليات تعلم الآلة 2 (GCP): أتمتة وتحسين خط أنابيب البيانات باستخدام منصة Google Cloud». في هذه الدورة ستتعلّم كيفية إعداد مراقبة آلية (Automated Monitoring) لخط أنابيب البيانات المستخدم في التنبؤ. ستتعرّف إلى مفاهيم مثل انجراف البيانات (Data Drift) وانجراف النموذج (Model Drift) وحلقات التغذية الراجعة (Feedback Loops)، وكيف يمكن لهذه الظواهر أن تُضعف أداء النموذج وتؤثر في استقراره بمرور الوقت. كما ستتعلّم كيف تراقب هذه المؤشرات عملياً لتكتشف التدهور مبكراً قبل أن يتحول إلى مشكلة تشغيلية كبيرة. ستغطي الدورة أيضاً كيفية إعداد المحفزات (Triggers) والإنذارات (Alarms) والتنبيهات المناسبة، بحيث يتمكن مشغلو الأنظمة والفرق المسؤولة عن التشغيل من التعامل بسرعة مع مشكلات عدم الاستقرار أو الانحرافات التي قد تظهر في الإنتاج. إضافةً إلى ذلك، ستتعرّف إلى كيفية مواءمة متطلبات تدريب النموذج مع متطلبات الاستدلال (Inference) داخل خط الأنابيب، وتطبيق مبادئ التكامل المستمر (CI) والتسليم المستمر (CDE) والنشر المستمر (CD) لدعم دورة حياة نموذج تعلم الآلة بشكل موثوق وقابل للتوسع. كما تتناول الدورة لمحة عن القضايا الأخلاقية المرتبطة بتطبيقات تعلم الآلة ضمن سياقات التشغيل الفعلي.
ماذا ستتعلم
- مواءمة المتطلبات المختلفة لتدريب النموذج مقابل متطلبات الاستدلال (Inference) ضمن خط الأنابيب
- التحقق من انجراف النموذج (Model Drift) وانجراف البيانات (Data Drift) وحلقات التغذية الراجعة (Feedback Loops)
- تطبيق مبادئ التكامل المستمر (CI) والتسليم المستمر (CDE) والنشر المستمر (CD)
المتطلبات المسبقة
- التحليلات التنبؤية: تقنيات النمذجة الأساسية
- عمليات تعلم الآلة 1 (GCP): نشر نماذج الذكاء الاصطناعي وتعلم الآلة في الإنتاج باستخدام منصة Google Cloud
المدرسون
Peter Bruce
Chief Learning Officer
Evan Wimpey
Director of Analytics Strategy
Vic Diloreto
Chief Technology Officer
Laura Lancheros
Analytics Engagement Manager