Tensorflow در آموزش های تولید

- __1. خط لوله آغازگر__ --- احتمالاً ساده ترین خط لوله ای است که می توانید بسازید تا به شما در شروع کار کمک کند. روی دکمه _Run in Google Colab_ کلیک کنید. [:octicons-arrow-right-24: Starter Pipeline] (آموزش/tfx/penguin_simple) - __2. افزودن اعتبارسنجی داده__ --- ساختن بر روی خط لوله ساده برای افزودن مؤلفه های اعتبارسنجی داده ها. [:octicons-arrow-right-24: Data Validation](tutorials/tfx/penguin_tfdv) - __3. افزودن Feature Engineering__ --- ساختن روی خط لوله اعتبارسنجی داده برای افزودن یک جزء مهندسی ویژگی. [:octicons-arrow-right-24: Feature Engineering](آموزش/tfx/penguin_tft) - __4. افزودن آنالیز مدل__ --- ساختن بر روی خط لوله ساده برای افزودن جزء تحلیل مدل. [:octicons-arrow-right-24: تجزیه و تحلیل مدل](آموزش/tfx/penguin_tfma)

- __ در حال اجرا در خطوط لوله Vertex__ --- اجرای خطوط لوله در یک سرویس خط لوله مدیریت شده، خطوط لوله Vertex. [:octicons-arrow-right-24: Vertex Pipelines](tutorials/tfx/gcp/vertex_pipelines_simple) - __خواندن داده ها از BigQuery__ --- استفاده از BigQuery به عنوان منبع داده خطوط لوله ML. [:octicons-arrow-right-24: BigQuery](tutorials/tfx/gcp/vertex_pipelines_bq) - __Vertex AI Training and Serving__ --- استفاده از منابع ابری برای آموزش ML و ارائه خدمات با Vertex AI. [:octicons-arrow-right-24: Vertex Training and Serving](tutorials/tfx/gcp/vertex_pipelines_vertex_training) - __TFX on Cloud AI Platform Pipelines__ --- مقدمه ای بر استفاده از خطوط لوله پلتفرم TFX و Cloud AI. [:octicons-arrow-right-24: Cloud Pipelines](tutorials/tfx/cloud-ai-platform-pipelines)

- __آموزش Complete Pipeline__ --- معرفی جزء به جزء به TFX، از جمله _Interactive context_، یک ابزار توسعه بسیار مفید. روی دکمه _Run in Google Colab_ کلیک کنید. [:octicons-arrow-right-24: Keras](tutorials/tfx/components_keras) - __Custom Component Tutorial__ --- آموزشی که نشان می دهد چگونه اجزای TFX سفارشی خود را توسعه دهید. [:octicons-arrow-right-24: Component Custom](tutorials/tfx/python_function_component) - __Data Validation__ --- این نوت بوک Google Colab نشان می دهد که چگونه می توان از TensorFlow Data Validation (TFDV) برای بررسی و تجسم یک مجموعه داده، از جمله تولید استفاده کرد. آمار توصیفی، استنباط طرحواره، و یافتن ناهنجاری ها. [:octicons-arrow-right-24: Data Validation](tutorials/data_validation/tfdv_basic) - __Model Analysis__ --- این نوت بوک Google Colab نشان می دهد که چگونه می توان از تجزیه و تحلیل مدل TensorFlow (TFMA) برای بررسی و تجسم ویژگی های یک مجموعه داده استفاده کرد. و عملکرد یک مدل را در چندین محور دقت ارزیابی کنید. [:octicons-arrow-right-24: Model Analysis](tutorials/model_analysis/tfma_basic) - __Serve a Model__ --- این آموزش نشان می دهد که چگونه TensorFlow Serving می تواند برای ارائه یک مدل با استفاده از یک REST API ساده استفاده شود. [:octicons-arrow-right-24: تجزیه و تحلیل مدل](آموزش/سرویس/rest_simple)