بوت کمپ کامل MLOps با بیش از 10 پروژه یادگیری ماشین End To End

در بوت کمپ End-to-End MLOps با ساخت، استقرار و خودکارسازی یادگیری ماشین با پروژه های علم داده آشنا می شوید.

آنچه یاد خواهید گرفت

• ساخت پایپ لاین های مقیاس پذیر MLOps با یکپارچه سازی گیت، داکر و CI/CD 
• پیاده سازی MLFlow و DVC برای نسخه سازی مدل و ردیابی تست
• استقرار مدل‌ های یادگیری ماشین end-to-end با AWS SageMaker و Huggingface 
• خودکارسازی پایپ لاین های ETL و گردش کارهای یادگیری ماشین با استفاده از Apache Airflow و Astro
• نظارت بر سیستم‌ های یادگیری ماشین با استفاده از Grafana و PostgreSQL برای بینش های بلادرنگ

توضیحات دوره

آنچه یاد خواهید گرفت:

• پیش نیازهای پایتون - مهارت های ضروری برنامه نویسی پایتون را که برای ساخت پایپ لاین های علم داده و MLOps لازم است، یاد می گیرید.
• کنترل نسخه با گیت و گیت هاب - یاد می گیرید که چگونه کد را مدیریت کرده و در پروژه های یادگیری ماشین با استفاده از گیت و گیت هاب همکاری کنید.
• داکر و کانتینرسازی - اصول داکر و نحوه کانتینری سازی مدل‌ های یادگیری ماشین خود را برای استقرار آسان و مقیاس‌ پذیر می آموزید.
• MLflow برای ردیابی تست - به استفاده از MLFlow برای ردیابی تست ها، مدیریت مدل‌ ها و یکپارچه سازی کامل با AWS Cloud برای مدیریت و استقرار مدل تسلط پیدا کنید.
• DVC برای نسخه‌ سازی داده - کنترل نسخه داده (DVC) را می آموزید تا مجموعه داده‌، مدل‌ ها و نسخه‌ سازی را به طور کارآمد مدیریت کرده و از تکرارپذیری در پایپ لاین های یادگیری ماشین خود اطمینان حاصل کنید.
• DagsHub برای MLOps مشارکتی - از DagsHub برای ردیابی یکپارچه کد، داده و تست های یادگیری ماشین خود با استفاده از گیت و DVC استفاده می کنید.
• Apache Airflow با Astro - گردش‌ کارهای یادگیری ماشین خود را با استفاده از Airflow با Astronomer خودکارسازی و ارکستره کرده و از اجرای یکپارچه پایپ لاین ها اطمینان حاصل می کنید.
• پایپ لاین CI/CD با GitHub Actions - پایپ لاین یکپارچه سازی مداوم و استقرار مداوم (CI/CD) را برای خودکارسازی تست، استقرار مدل و بروزرسانی ها پیاده می کنید.
• پیاده‌ سازی پایپ لاین ETL - پایپ لاین های کامل ETL (استخراج، تبدیل و بارگذاری) را با استفاده از Apache Airflow ایجاد و مستقر کرده و منابع داده را برای مدل‌ های یادگیری ماشین یکپارچه می کنید.
• پروژه یادگیری ماشین End-to-End - پروژه کامل یادگیری ماشین را از جمع‌ آوری داده تا استقرار آن طی کرده و مطمئن می شوید که نحوه اعمال MLO را در عمل درک می‌ کنید.
• پروژه End-to-End NLP با Huggingface - روی پروژه NLP واقعی کار می کنید و نحوه استقرار و نظارت بر مدل‌ های ترنسفرمر را با استفاده از ابزارهای Huggingface یاد می گیرید.
• AWS SageMaker برای استقرار یادگیری ماشین - یاد می گیرید که چگونه مدل‌ های خود را در AWS SageMaker مستقر، مقیاس‌ بندی و نظارت کرده و به‌ طور یکپارچه با سایر سرویس های AWS یکپارچه کنید.
• Gen AI با AWS Cloud - تکنیک های Generative AI را بررسی می کنید و یاد می گیرید که چگونه این مدل ها را با استفاده از زیرساخت AWS cloud مستقر کنید.
• نظارت با Grafana و PostgreSQL - بر عملکرد مدل‌ ها و پایپ لاین های خود با استفاده از داشبوردهای Grafana متصل به PostgreSQL برای بینش های بلادرنگ نظارت می کنید.

این دوره برای چه کسانی مناسب است؟

• دانشمندان داده و مهندسان یادگیری ماشین که به دنبال مقیاس بندی و استقرار مدل‌ های یادگیری ماشین هستند.
• متخصصان دواپس که می خواهند پایپ لاین های یادگیری ماشین را یکپارچه کنند.
• مهندسان نرم افزار علاقه مند به انتقال به MLOps
• مبتدیان با دانش اولیه در یادگیری ماشین با هدف یادگیری استقرار end-to-end
• متخصصان IT که مشتاق به درک ابزارها و شیوه های MLOps برای پروژه های واقعی هستند.