آموزش جامع یادگیری عمیق فول‌استک با پایتون - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• چشم‌انداز و استراتژی فول‌استک Full-stack landscape and strategy

• یادگیری عمیق فول‌استک: MLOps و MLflow Full-stack deep learning: MLOps and MLflow

• پیش‌نیازها Prerequisites

۱. نمای کلی یادگیری عمیق فول‌استک 1. An Overview of Full-Stack Deep Learning

• ابزارها: APIها، رابط‌های کاربری، CI/CD و مانیتورینگ Tools: APIs, UIs, CI/CD, and monitoring

• اجزا: برنامه‌ریزی و جمع‌آوری داده‌ها Components: Planning and data collection

• ابزارها: محاسبات، ارکستراسیون و آزمایش‌ها Tools: Compute, orchestration, and experiments

• ابزارها: نسخه‌بندی، برچسب‌گذاری و ذخیره‌ساز ویژگی‌ها Tools: Versioning, labeling, and feature stores

• اجزا: آموزش و استقرار مدل Components: Model training and deployment

• ابزارها: فریم‌ورک‌های یادگیری عمیق و عیب‌یابی Tools: Deep learning frameworks and debugging

• آرتیفکت‌ها در یادگیری عمیق فول‌استک Artifacts in full-stack deep learning

۲. MLOps با استفاده از MLflow 2. MLOps with MLflow

• راه‌اندازی محیط در گوگل کولب (Google Colab) Setting up the environment on Google Colab

• مدیریت چرخه حیات ML با MLflow Managing the ML lifecycle with MLflow

• اجرای MLflow و استفاده از ngrok برای دسترسی به رابط کاربری Running MLflow and using ngrok to access the MLflow UI

• عملیات یادگیری ماشین (MLOps) Machine learning operations (MLOps)

۳. آموزش و ارزیابی مدل با MLflow 3. Model Training and Evaluation Using MLflow

• ثبت متریک‌ها، پارامترها و آرتیفکت‌ها در MLflow Logging metrics parameters and artifacts in MLflow

• تجسم نمودارها، متریک‌ها و پارامترها در MLflow Visualizing charts metrics and parameters on MLflow

• پیکربندی و آموزش مدل با استفاده از اجراهای MLflow Configuring and training the model using MLflow runs

• راه‌اندازی مجموعه داده و لودر داده‌ها Set up the dataset and data loader

• انجام پیش‌بینی‌ها با استفاده از آرتیفکت‌های MLflow Making predictions using MLflow artifacts

• آموزش مدل در یک اجرای MLflow Training a model within an MLflow run

• بارگذاری و بررسی مجموعه داده EMNIST Loading and exploring the EMNIST dataset

• آماده‌سازی داده‌ها برای طبقه‌بندی تصاویر با CNN Preparing data for image classification using CNN

• پیکربندی مدل DNN برای طبقه‌بندی تصاویر Configuring the image classification DNN model

• بررسی پارامترها و متریک‌ها در MLflow Exploring parameters and metrics in MLflow

۴. تنظیم هایپرپارامترها با Optuna 4. Hyperparameter Tuning with Optuna

• تنظیم تابع هدف برای بهینه‌سازی هایپرپارامترها Setting up the objective function for hyperparameter tuning

• شناسایی بهترین مدل Identifying the best model

• ثبت مدل در رجیستری MLflow Registering a model with the MLflow registry

• بهینه‌سازی هایپرپارامترها با Optuna و MLflow Hyperparameter optimization with Optuna and MLflow

۵. استقرار مدل و پیش‌بینی 5. Model Deployment and Predictions

• راهکار دریافت آرتیفکت‌های مدل در سیستم محلی Workaround to get model artifacts on local machine

• استقرار و ارائه مدل به صورت محلی Deploying and serving the model locally

• راه‌اندازی MLflow روی سیستم محلی Setting up MLflow on the local machine

جمع‌بندی Conclusion

• خلاصه و گام‌های بعدی Summary and next steps