TensorFlow Data Pipelines และการนำโมเดลไปใช้งานจริง

การสร้างโมเดลแมชชีนเลิร์นนิงเป็นเพียงครึ่งทางเท่านั้น มูลค่าที่แท้จริงมาจากการนำโมเดลนั้นไปถึงมือผู้ใช้ การเปลี่ยนจากการฝึกโมเดลในโน้ตบุ๊กไปสู่การรันอย่างมีประสิทธิภาพในการใช้งานจริง (production) ต้องอาศัยความเข้าใจที่มั่นคงเกี่ยวกับ Data Pipelines และกลยุทธ์การนำไปใช้งานที่หลากหลาย หลักสูตรแบบข้อความนี้จะแนะนำคุณตลอดกระบวนการเตรียมข้อมูลและการนำโมเดล TensorFlow ไปใช้งานบนแพลตฟอร์มต่างๆ คุณจะได้เรียนรู้วิธีออกแบบ Data Pipelines ที่มีประสิทธิภาพสูง, ปรับปรุงโมเดลให้เหมาะสมสำหรับสภาพแวดล้อมที่มีทรัพยากรจำกัด, และให้บริการการทำนายผ่านเว็บเบราว์เซอร์, แอปพลิเคชันมือถือ, และ Cloud APIs สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจวงจรชีวิตหลักของโมเดลแมชชีนเลิร์นนิง ตั้งแต่การฝึกไปจนถึงการนำไปใช้งานจริง (production deployment) - สร้าง Input Pipelines ที่มีปริมาณงานสูงโดยใช้ tf.data API พร้อมนำแนวทางปฏิบัติที่ดีที่สุด เช่น caching และ prefetching มาใช้ - นำโมเดลแมชชีนเลิร์นนิงแบบโต้ตอบไปใช้งานโดยตรงในเบราว์เซอร์โดยใช้ TensorFlow.js - ปรับปรุงและแปลงโมเดลสำหรับอุปกรณ์มือถือและ IoT โดยใช้ TensorFlow Lite และ post-training quantization - กำหนดค่าโครงสร้างพื้นฐานการให้บริการโมเดลที่ปรับขนาดได้โดยใช้ TensorFlow Serving และรูปแบบการนำไปใช้งานที่พร้อมสำหรับคอนเทนเนอร์ (container-ready deployment patterns) คุณจะเริ่มต้นด้วยการสำรวจแนวคิดพื้นฐานของ Data Pipeline ก่อนที่จะเข้าสู่สถานการณ์การนำไปใช้งานจริง คุณจะเชี่ยวชาญกลไกในการปรับโมเดลสำหรับสภาพแวดล้อมเว็บ, มือถือ, และเซิร์ฟเวอร์ ผ่านคำอธิบายที่เป็นลายลักษณ์อักษรโดยละเอียดและตัวอย่างโค้ด หลักสูตรนี้ออกแบบมาสำหรับนักพัฒนา, นักวิทยาศาสตร์ข้อมูล, และวิศวกรแมชชีนเลิร์นนิงที่ต้องการ ซึ่งมีความเข้าใจพื้นฐานเกี่ยวกับ Python และแนวคิดแมชชีนเลิร์นนิง และต้องการเรียนรู้วิธีการนำโมเดลของตนไปใช้งานจริง ไม่จำเป็นต้องมีประสบการณ์ด้านวิศวกรรมการผลิต (production engineering) ขั้นสูง เริ่มอ่านวันนี้เพื่อเชื่อมช่องว่างระหว่างทฤษฎีแมชชีนเลิร์นนิงและการนำไปใช้งานจริง (production deployment)