استقرار مدل ML و MLOps با FastAPI ،Streamlit و MLflow

آنچه یاد خواهید گرفت:

• اصول اولیه استقرار مدل یادگیری ماشین و MLOps را یاد بگیرید.
• یاد بگیرید چگونه با استفاده از Random Forest Classifier مدل تشخیص زلزله بسازید.
• یاد بگیرید چگونه با استفاده از Decision Tree Regressor مدل پیش‌بینی قیمت بلیط هواپیما بسازید.
• یاد بگیرید چگونه مدل یادگیری ماشین را با استفاده از Gradio مستقر کنید.
• یاد بگیرید چگونه مدل یادگیری ماشین را با استفاده از Streamlit مستقر کنید.
• یاد بگیرید چگونه مدل یادگیری ماشین را در Hugging Face Space مستقر کنید.
• یاد بگیرید چگونه مدل یادگیری ماشین را با استفاده از Flask مستقر کنید.
• یاد بگیرید چگونه مدل یادگیری ماشین را با استفاده از FastAPI مستقر کنید.
• یاد بگیرید چگونه مدل یادگیری ماشین را با استفاده از Dash مستقر کنید.
• یاد بگیرید چگونه عملکرد مدل را با استفاده از MLflow ردیابی و نظارت کنید.
• یاد بگیرید چگونه مدل یادگیری ماشین را با استفاده از MLflow بسته‌بندی کنید.
• یاد بگیرید چگونه Data Augmentation انجام دهید.
• یاد بگیرید چگونه مدل یادگیری ماشین را با استفاده از داده‌های جدید مجدداً آموزش دهید.
• یاد بگیرید چگونه کیفیت داده‌ها را بررسی و نظارت کنید.
• یاد بگیرید چگونه مدل یادگیری ماشین را با استفاده از Apache Airflow مجدداً آموزش دهید.

پیش نیازهای دوره

• هیچ تجربه قبلی در استقرار مدل یادگیری ماشین مورد نیاز نیست.
• دانش اولیه در Python

توضیحات دوره

به دوره استقرار مدل ML و MLOps با FastAPI ،Streamlit و MLflow خوش آمدید. این یک دوره جامع مبتنی بر پروژه است که در آن یاد خواهید گرفت چگونه مدل‌های یادگیری ماشین بسازید، مدل را مستقر کنید، بر عملکرد مدل نظارت کنید و همچنین مدل را با استفاده از داده‌های جدید مجدداً آموزش دهید. این دوره ترکیبی عالی از پایتون و یادگیری ماشین است و فرصتی ایده‌آل برای تمرین مهارت‌های برنامه‌نویسی شما در حین بهبود دانش فنی‌تان در علم داده محسوب می‌شود. در جلسه مقدماتی، شما اصول اولیه استقرار مدل یادگیری ماشین و عملیات یادگیری ماشین (MLOps) را خواهید آموخت، مانند آشنایی با ابزارهای رایجی که برای استقرار مدل ML و گردش کار MLOps استفاده می‌شوند. سپس، در بخش بعدی، مدرس مجموعه داده‌های زلزله و قیمت پرواز را از Kaggle دانلود خواهد کرد؛ پلتفرمی که مجموعه داده‌های باکیفیت بسیاری را از صنایع مختلف ارائه می‌دهد. پس از آن، ما قصد داریم دو مدل یادگیری ماشین بسازیم. در ابتدا، مدرس یک مدل تشخیص زلزله با استفاده از Random Forest Classifier خواهد ساخت. این مدل قادر خواهد بود سطح هشدار زلزله را بر اساس ویژگی‌هایی مانند بزرگی، شدت اجتماعی و سطح اهمیت پیش‌بینی کند. به دنبال آن، ما همچنین یک مدل پیش‌بینی قیمت بلیط هواپیما با استفاده از Decision Tree Regressor خواهیم ساخت. این مدل قادر خواهد بود قیمت بلیط را بر اساس ویژگی‌هایی مانند شرکت هواپیمایی، شهرهای مقصد، تعداد توقف‌ها، زمان حرکت، زمان ورود و مدت پرواز پیش‌بینی کند. سپس، در بخش بعدی، ما مدل یادگیری ماشین را با استفاده از فریم‌ورک‌های مختلف مستقر خواهیم کرد. ما یک رابط وب تعاملی کامل با استفاده از Gradio، Streamlit، Flask و Dash ایجاد خواهیم کرد. پس از آن، مدل یادگیری ماشین را در Hugging Face Space مستقر می‌کنیم که در آن می‌توانید مدل خود را میزبانی کرده و به اشتراک بگذارید. علاوه بر این، ما مدل یادگیری ماشین را با استفاده از FastAPI نیز مستقر خواهیم کرد که به کاربران امکان می‌دهد درخواست‌های پیش‌بینی را از طریق یک نقطه پایانی API ارسال کنند. سپس، در بخش بعدی، با نمایش معیارهایی مانند دقت، صحت، یادآوری و امتیاز F1 با استفاده از MLflow، عملکرد مدل را ردیابی خواهیم کرد. علاوه بر این، مدل آموزش‌دیده خود را در یک فرمت قابل بازتولید بسته‌بندی خواهیم کرد که استقرار آن را در محیط‌های مختلف آسان‌تر می‌کند. سپس، پس از آن، ما Data Augmentation را انجام خواهیم داد؛ به‌طور خاص، مدرس داده‌های مصنوعی را با استفاده از Scikit Learn تولید خواهد کرد و این داده‌های جدید برای آموزش مجدد مدل یادگیری ماشین استفاده خواهد شد. علاوه بر آن، ما کیفیت داده‌ها را با بررسی مقادیر گمشده، تکراری‌ها و داده‌های پرت در داده‌های مصنوعی نظارت خواهیم کرد. در نهایت، در پایان دوره، مدل یادگیری ماشین را با استفاده از Apache Airflow مجدداً آموزش خواهیم داد.

ابتدا، قبل از ورود به دوره، باید این سوال را از خود بپرسیم که چرا باید در مورد استقرار و عملیات مدل یادگیری ماشین یاد بگیریم؟ خب، پاسخ مدرس این است: مهم نیست مدل یادگیری ماشین شما چقدر خوب باشد، اگر کسی نتواند به آن دسترسی داشته باشد یا آن را امتحان کند، فایده‌ای ندارد. به همین دلیل است که درک چگونگی استقرار مدل بسیار مهم است، تا بتوانید مدل خود را به اشتراک بگذارید و به کاربران یا سایر توسعه‌دهندگان امکان دهید به‌صورت بلادرنگ با مدل شما تعامل داشته باشند. پس از استقرار مدل، کار شما تمام نشده است؛ زیرا مدل با داده‌های جدید مجدداً آموزش داده می‌شود، ممکن است پتانسیل انحراف داده‌ها، کاهش دقت و افت عملکرد وجود داشته باشد، به همین دلیل نظارت و نگهداری بسیار ضروری هستند.

این دوره برای چه کسانی مناسب است؟

• مهندسان یادگیری ماشین که علاقه‌مند به استقرار مدل‌های ML با استفاده از Gradio ،Streamlit و FastAPI هستند.
• دانشمندان داده که علاقه‌مند به نظارت بر دقت و عملکرد مدل ML هستند.