آموزش اتوماسیون، بهینه‌سازی و مانیتورینگ مدل‌های یادگیری ماشین (MLOps) - آخرین آپدیت

دانلود Automate, Optimize, and Monitor ML Models

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: مدل‌های یادگیری ماشین بدون مانیتورینگ و بهینه‌سازی مناسب، به مرور زمان دقت خود را از دست می‌دهند. این دوره کوتاه برای کمک به متخصصان ML و AI طراحی شده است تا سیستم‌های مستحکم و آماده تولیدی (Production-ready) بسازند که عملکرد خود را در مقیاس بالا حفظ کنند. با گذراندن این دوره، شما در مهارت‌های حیاتی MLOps برای شناسایی رانش مدل (Model Drift)، پیاده‌سازی گردش کارهای بازآموزی خودکار و ایجاد خط لوله‌های (Pipelines) بهینه ML که ارزش تجاری پایدار در محیط‌های عملیاتی را تضمین می‌کنند، تسلط خواهید یافت. در پایان این دوره، شما قادر خواهید بود: - عملکرد مدل در محیط عملیاتی را برای شناسایی و کاهش اثرات رانش (Drift) ارزیابی کنید. - یک خط لوله یادگیری ماشین خودکار و جامع (End-to-End) برای بهینه‌سازی مدل ایجاد کنید. ویژگی منحصر‌به‌فرد این دوره، پر کردن شکاف بین توسعه مدل و عملیات تولید است و بر استراتژی‌های اتوماسیون و نظارتی تمرکز دارد که از شکست‌های هزینه‌بر مدل جلوگیری می‌کند. برای موفقیت در این پروژه، باید با مبانی یادگیری ماشین و برنامه‌نویسی پایتون آشنایی داشته باشید.

سرفصل ها و درس ها

ماژول ۱: ارزیابی عملکرد مدل در محیط عملیاتی و شناسایی رانش Module 1: Production Model Performance Evaluation and Drift Detection

پیاده‌سازی شناسایی رانش با مانیتورینگ آماری Implementing Drift Detection with Statistical Monitoring

ماژول ۲: ایجاد و بهینه‌سازی خط لوله خودکار یادگیری ماشین Module 2: Automated ML Pipeline Creation and Optimization

معماری و اجزای خط لوله جامع (End-to-End) یادگیری ماشین End-to-End ML Pipeline Architecture and Components
ساخت خط لوله‌های خودکار ML با استفاده از Ray Tune و MLflow Building Automated ML Pipelines with Ray Tune and MLflow