دوره پیشرفته MLOps

آنچه یاد خواهید گرفت:

• درک قوی از مفاهیم MLOps و اهمیت آن‌ها در پر کردن شکاف بین یادگیری ماشین و سیستم‌های پروداکشن به دست آورید.
• به استفاده از ابزارهایی مانند Git ،DVC ،Docker ،MLflow و Grafana برای مدیریت و نظارت کارآمد بر پایپ‌لاین‌های ML مسلط شوید.
• راه‌اندازی و استفاده از فرمان ها و محیط‌های لینوکس را برای گردش کارهای ساده MLOps یاد بگیرید.
• استقرار CI/CD را برای پروژه‌های یادگیری ماشین با استفاده از ابزارهایی مانند GitHub Actions ،Jenkins و CircleCI بررسی کنید.
• در کانتینرسازی اپلیکیشن‌های ML با Docker و ایجاد ایمیج‌های سفارشی Docker تخصص پیدا کنید.
• پایپ‌لاین‌های یادگیری ماشین سرتاسری را برای دریافت داده، اعتبارسنجی، تبدیل، آموزش مدل و ارزیابی بسازید.
• AWS SageMaker را برای آموزش، استقرار و ارائه مدل‌های ML روی ابر یکپارچه کنید.
• با BentoML برای استقرار و مدیریت مدل‌های یادگیری ماشین در مقیاس بزرگ کار کنید.
• یاد بگیرید چگونه داشبوردهای نظارتی را با Grafana برای ردیابی عملکرد اپلیکیشن در زمان واقعی راه‌اندازی کنید.
• DVC را برای کنترل نسخه داده‌ و پایپ‌لاین‌ها پیاده‌سازی کنید تا از تکرارپذیری در پروژه‌های ML اطمینان حاصل شود.

پیش نیازهای دوره

• مهارت‌های اولیه برنامه‌نویسی پایتون – آشنایی با سینتکس و اسکریپت‌نویسی پایتون ضروری است.
• دانش اساسی یادگیری ماشین – درک مفاهیم اولیه ML مانند آموزش، ارزیابی و الگوریتم‌ها
• درک اولیه از Git – تجربه کار با سیستم‌های کنترل نسخه مفید است اما اجباری نیست.
• مبانی خط فرمان – راحتی در ناوبری و اجرای فرمان ها در ترمینال
• دسترسی به کامپیوتر – سیستمی که قادر به اجرای Docker و مدیریت پردازش‌های یادگیری ماشین باشد.
• حساب کاربری رایگان AWS  – برای تمرین‌های عملی ابری و استقرار مورد نیاز است.
• اتصال به اینترنت – اینترنت پایدار برای یکپارچه‌سازی ابری و نصب نرم‌افزارها
• اشتیاق به یادگیری – ذهن کنجکاو و اشتیاق برای بررسی در ابزارها و مفاهیم MLOps

توضیحات دوره

در چشم‌انداز هوش مصنوعی که به سرعت در حال تحول است، استقرار مدل‌های یادگیری ماشین در محیط پروداکشن و نگهداری آن‌ها در مقیاس بزرگ، نیازمند ترکیبی از ابزارهای پیشرفته، گردش کارهای ساده و رویه‌های عملیاتی قوی است. این دوره MLOps (عملیات یادگیری ماشین) راهنمای نهایی شما برای تسلط به هنر یکپارچه‌سازی یادگیری ماشین در سیستم‌های پروداکشن واقعی به صورت یکپارچه و کارآمد است.

این دوره که برای دانشمندان داده، مهندسان ML و توسعه‌دهندگان طراحی شده، شما را در چرخه عمر سرتاسری یادگیری ماشین، از توسعه مدل تا استقرار و نظارت، راهنمایی می‌کند. شما یاد خواهید گرفت که چگونه شکاف بین علم داده و DevOps را پر کنید و پایپ‌لاین‌های قابل اعتماد، مقیاس‌پذیر و کارآمد را برای یکپارچه‌سازی و تحویل مداوم (CI/CD) مدل‌های ML پیاده‌سازی کنید.

این دوره مفاهیم ضروری MLOps مانند موارد زیر را پوشش می‌دهد:

• نسخه‌بندی، ردیابی و تکرارپذیری مدل
• یکپارچه‌سازی مداوم/تحویل مداوم (CI/CD) برای ML
• ابزارهایی مانند MLflow ،Kubeflow و TensorFlow Extended (TFX)
• خودکارسازی پایپ‌لاین‌های داده و مهندسی ویژگی
• نظارت بر مدل‌ها در پروداکشن و تشخیص دریفت 
• تضمین انطباق، امنیت و حاکمیت در گردش کارهای ML

با مثال‌های کاربردی و آزمایشگاه‌های عملی، شما مهارت‌های واقعی را برای بهینه‌سازی پایپ‌لاین‌های ML، کاهش زمان از کار افتادگی و بهبود همکاری بین تیم‌ها کسب خواهید کرد. در پایان این دوره، شما برای ارائه راه‌حل‌های یادگیری ماشین مقیاس‌پذیر، قابل اعتماد و آماده برای پروداکشن در هر صنعتی مجهز خواهید شد.

اشتیاق خود به یادگیری ماشین را با تسلط به ابزارها و مهارت‌های لازم برای استقرار و مقیاس‌پذیری با اطمینان، به تأثیر واقعی در جهان تبدیل کنید!

این دوره برای چه کسانی مناسب است؟

• مهندسان یادگیری ماشین مشتاق: که به دنبال بهبود مهارت‌های خود در استقرار و مدیریت مدل‌های ML هستند.
• دانشمندان داده: که علاقه‌مند به یادگیری چگونگی انتقال مدل‌های ML از مرحله آزمایش به پروداکشن هستند.
• مهندسان نرم‌افزار: که به دنبال انتقال به حوزه MLOps و کسب تجربه عملی با ابزارهایی مانند Docker ،CI/CD و پلتفرم‌های ابری هستند.
• متخصصان DevOps: که می‌خواهند گردش کارهای ML را در پایپ‌لاین‌های DevOps موجود ادغام کنند.
• علاقه‌مندان به هوش مصنوعی: که می‌خواهند جنبه عملیاتی سیستم‌های هوش مصنوعی و ML را کشف کنند.
• مهندسان ابر: که بر استفاده از پلتفرم‌های ابری مانند AWS برای گردش کارهای یادگیری ماشین متمرکز هستند.
• دانشجویان و تازه‌کاران: با دانش اولیه ML و پایتون، که قصد دارند شغلی در زمینه MLOps بسازند.
• متخصصانی که در حال انتقال به نقش‌های AI/ML هستند: که به دنبال یک رویکرد ساختاریافته و عملی برای یادگیری ابزارها و چارچوب‌های MLOps هستند.