آموزش MLflow در عمل - تسلط به هنر MLOps با ابزار MLflow

آنچه یاد خواهید گرفت:

• مبانی MLOps را بررسی کنید و ببینید چگونه بر چالش‌های ذاتی چرخه عمر سنتی یادگیری ماشین غلبه می‌کند.
• درک عمیقی از MLflow و نقش 4 کامپوننت آن در مدیریت عملیات‌های end-to-end یادگیری ماشین (MLOps) بدست آورید.
• یاد بگیرید چگونه با ابزار MLflow، آزمایش‌ها را به‌صورت کارآمد پیگیری کنید، کد را بسته‌بندی کنید، مدل‌ها را رجیستر کنید و آن‌ها را بازتولید کنید.
• مجموعه‌ای از توابع لاگ در MLflow برای پیگیری و ضبط موثر آزمایش‌ها، اجراها، آرتیفکت‌ها، پارامترها، کد، معیارها و غیره
• MLflow Tracking - برای لاگ کردن، سازمان‌دهی و مقایسه آسان آزمایش‌های یادگیری ماشین
• MLflow Model - برای بسته‌بندی کارآمد مدل در Flavorهای مختلف، به‌منظور ساده‌سازی استقرار مدل و یکپارچه‌سازی آن با سیستم‌های عملیاتی
• MLflow Project - برای ایجاد گردش‌کارهای یادگیری ماشین ساختار یافته، قابل‌بازتولید و به‌راحتی قابل‌اشتراک‌گذاری
• MLflow Registry - برای مدیریت کارآمد مدل و ردیابی نسخه‌ها، با هدف حفظ کیفیت و عملکرد مدل در طول زمان
• یک پروژه کامل یادگیری ماشین end-to-end که یکپارچه‌سازی MLflow با AWS cloud را نشان می‌دهد.
• ساخت، آموزش، تست و استقرار یک مدل یادگیری ماشین در AWS cloud با AWS Sagemaker و MLflow

پیش‌نیازهای دوره

• دانش اولیه یادگیری ماشین
• دانش اولیه پایتون

توضیحات دوره

این دوره MLflow شامل چه مواردی است؟

• مبانی MLOps، محدودیت‌های چرخه‌های عمر سنتی یادگیری ماشین و اینکه MLOps چگونه بر این محدودیت‌ها غلبه می‌کند، را درک کنید.
• توضیح کامل مفاهیم MLflow از ابتدا تا پیاده‌سازی واقعی
• 4 کامپوننت اصلی MLflow یعنی پیگیری، مدل، پروژه و رجیستری را به‌صورت عملی یاد بگیرید.
• توابع مختلف لاگ در MLflow برای پیگیری و ضبط دقیق آزمایش‌ها، اجراها، آرتیفکت‌ها، پارامترها، کد، معیارها و غیره
• یاد بگیرید چگونه با پایتون، مدل‌های سفارشی را در MLflow مدیریت کنید.
• یاد بگیرید چگونه از طریق MLflow کتابخانه MLflow، رابط کاربری، کلاینت MLflow و فرمان‌های رابط خط فرمان تعامل برقرار کنید.
• بهترین شیوه‌ها و تکنیک‌های بهینه‌سازی را برای استفاده در پروژه‌های MLOps و MLflow در واقعیت یاد بگیرید.

انحصاری: یک پروژه کامل یادگیری ماشین end-to-end که یکپارچه‌سازی MLflow با AWS cloud را نشان می‌دهد: یک مدل یادگیری ماشین را در AWS cloud با AWS Sagemaker ،Codecommit ،Ec2، ECR ،AWS S3 ،IAM و سرویس‌های دیگر بسازید، آموزش دهید، تست کنید و مستقر کنید، در حالی که از قابلیت‌های پیگیری MLflow بهره می‌برید.

پس از تکمیل این دوره، می‌توانید با اطمینان کامل کار روی هر پروژه MLOps و MLflow را شروع کنید.

افزودنی‌ها

• کدها و منابع استفاده‌شده در درس‌ها برای راحتی شما به دوره پیوست شده‌اند.

این دوره برای چه کسانی مناسب است؟

• دانشمندان داده
• مهندسان یادگیری ماشین
• مهندسان MLOps
• مهندسان عملیات‌ها