تسلط به MLOps - از توسعه مدل تا استقرار

این دوره راهنمای عملی برای ساخت، اتوماسیون و مقیاس‌ بندی پایپ لاین های یادگیری ماشین با ابزارهای مدرن و بهترین شیوه ها می باشد.

آنچه یاد خواهید گرفت

• درک مفاهیم اصلی، مزایا و تکامل MLOps 
• یادگیری تفاوت بین شیوه های MLOps و دواپس
• راه اندازی پروژه MLOps با نسخه کنترل شده راه با استفاده از گیت و داکر
• ساخت پایپ لاین های یادگیری ماشین end-to-end از پیش پردازش داده تا استقرار
• انتقال مدل های یادگیری ماشین از تست به محیط های تولید
• استقرار و نظارت بر مدل های یادگیری ماشین برای عملکرد و رانش داده 
• کسب تجربه عملی با داکر برای کانتینرسازی مدل یادگیری ماشین
• یادگیری مبانی کوبرنتیز و ارکستراسیون حجم های کاری یادگیری ماشین به طور موثر
• راه اندازی زیرساخت MLOps محلی و مبتنی بر ابر (AWS ،GCP، آژور) - عیب یابی چالش های رایج در مقیاس پذیری، تکرارپذیری و قابلیت اطمینان

پیش نیازهای دوره

• مهارت های اولیه برنامه نویسی پایتون
• اصول یادگیری ماشین
• دانش اولیه ابزارهای علم داده
• درک نسخه کنترل
• مهارت های اولیه خط فرمان
• دسترسی به کامپیوتر با اتصال به اینترنت
• کنجکاوی و ذهنیت حل مسئله

توضیحات دوره

در طول دوره، شما عمیقا به اصول کلیدی MLOps می پردازید و یاد می گیرید که چگونه کل چرخه عمر یادگیری ماشین از پیش پردازش داده، آموزش مدل و ارزیابی تا استقرار، نظارت و مقیاس بندی در محیط های تولید را مدیریت کنید. شما تفاوت های اصلی بین MLOps و دواپس های سنتی را بررسی کرده و به وضوح با اینکه چگونه گردش کارهای یادگیری ماشین به ابزارها و تکنیک های تخصصی نیاز دارند تا به طور موثر تست مدل، نسخه سازی و نظارت بر عملکرد را انجام دهند، آشنا خواهید شد.

شما با ابزارهای ضروری مانند داکر برای کانتینری‌ سازی، کوبرنتیز برای ارکستراسیون حجم‌ های کاری یادگیری ماشین و گیت برای کنترل نسخه، تجربه عملی کسب خواهید کرد. همچنین یاد می گیرید که پلتفرم‌ های ابری مانند AWS ،GCP و آژور را در پایپ لاین های MLOps خود یکپارچه سازی کنید تا امکان استقرارهای مقیاس‌ پذیر در محیط‌ های تولید فراهم شود.

علاوه بر تسلط به ابزارها و گردش کارهای MLOps، یاد می گیرید که چگونه به چالش های رایج در استقرار یادگیری ماشین، از جمله مسائل مقیاس پذیری، رانش مدل و نظارت بر عملکرد در محیط های پویا رسیدگی کنید. در پایان دوره، می‌ توانید مدل‌ های یادگیری ماشین را با اطمینان از Jupyter notebooks به سیستم‌ های تولید قوی تبدیل کنید و مطمئن شوید که نتایج ثابت و قابل‌ اعتمادی ارائه می‌ دهند.

این دوره برای چه کسانی مناسب است؟

• دانشمندان داده که به دنبال انتقال مدل های خود از تست به تولید هستند.
• مهندسان یادگیری ماشین که هدفشان تسلط به گردش کارهای یادگیری ماشین end-to-end است.
• متخصصان دواپس که علاقه مند به یکپارچه سازی گردش کارهای یادگیری ماشین در پایپ لاین های CI/CD هستند.
• علاقه مندان به هوش مصنوعی که مشتاق درک نحوه مقیاس بندی و نظارت موثر بر مدل های یادگیری ماشین هستند.
• مهندسان نرم افزار که می خواهند مهارت های MLOps را به جعبه ابزار خود اضافه کنند.
• مدیران پروژه فنی که بر پروژه‌ ها و گردش‌ کارهای هوش مصنوعی و یادگیری ماشین نظارت می‌ کنند.
• دانشجویان و مبتدیان که در مورد ساخت سیستم های یادگیری ماشین واقعی کنجکاو هستند.
• متخصصان IT که هدفشان تخصص در زیرساخت و استقرار هوش مصنوعی است.
• کارآفرینانی که قصد دارند محصولات هوش مصنوعی را به طور موثر در مقیاس بزرگ به کار گیرند.
• کسی که مشتاق عملیات های هوش مصنوعی و یادگیری ماشین و به دنبال کسب تجربه عملی و کاربردی در ابزارها و شیوه های MLOps است.