آموزش جامع DevOps، DataOps و MLOps - آخرین آپدیت

دانلود DevOps, DataOps, MLOps

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: بیاموزید چگونه از عملیات یادگیری ماشین (MLOps) برای حل مسائل دنیای واقعی استفاده کنید. این دوره راهکارهای جامع (End-to-End) را با استفاده از برنامه‌نویسی جفت با هوش مصنوعی (AI Pair Programming) و تکنولوژی‌هایی مانند GitHub Copilot برای ساخت اپلیکیشن‌های یادگیری ماشین (ML) و هوش مصنوعی پوشش می‌دهد. این دوره برای افرادی است که به عنوان دانشمند داده، مهندس نرم‌افزار، توسعه‌دهنده، تحلیلگر داده یا هر نقشی که از ML استفاده می‌کند، فعالیت می‌کنند یا قصد ورود به این مشاغل را دارند. در پایان این دوره، شما قادر خواهید بود از فریم‌ورک‌های وب (مانند Gradio و Hugging Face) برای راهکارهای ML استفاده کنید، یک ابزار خط فرمان (CLI) با فریم‌ورک Click بسازید و از زبان Rust برای تسریع پردازش‌های ML بر روی GPU بهره ببرید. هفته اول: بررسی تکنولوژی‌های MLOps و مدل‌های پیش‌آموزش‌دیده برای حل مشکلات مشتریان. هفته دوم: به‌کارگیری عملی ML و AI از طریق بهینه‌سازی، اکتشافی (Heuristics) و شبیه‌سازی‌ها. هفته سوم: توسعه خط‌لوله‌های عملیاتی (Pipelines) شامل DevOps، DataOps و MLOps با استفاده از GitHub. هفته چهارم: ساخت کانتینرها برای ML و بسته‌بندی استاندارد راهکارها جهت استقرار در سیستم‌های ابری مبتنی بر کانتینر. هفته پنجم: انتقال از پایتون به زبان Rust برای ساخت راهکارهای Kubernetes، Docker، Serverless، مهندسی داده، علوم داده و MLOps.

سرفصل ها و درس ها

مقدمه‌ای بر MLOps Introduction to MLOps

  • مقدمه‌ای بر MLOps Introduction to MLOps

  • پیش‌زمینه و مفاهیم MLOps MLOps Background

  • روندها و تکنیک‌های MLOps MLOps Trends and Techniques

  • DevOps چیست؟ What is DevOps?

  • DataOps چیست؟ What is DataOps?

  • MLOps: بررسی مدل‌های سنگین در مقابل سبک MLOPs: Heavy vs Light

  • MLOps: سلسله‌مراتب نیازها MLOps: Hierarchy of Needs

  • مسموم کردن داده‌ها در سیستم‌های یادگیری ماشین Data Poisoning Machine Learning Systems

  • اجزای کلیدی در MLOps کدامند؟ What are the Key Components in MLOPs?

  • بررسی مدل‌های بلوغ MLOps Considering the MLOps Maturity Models

  • یکپارچه‌سازی مستمر (CI) چیست؟ What is Continuous Integration?

  • تحویل مستمر (CD) چیست؟ What is Continuous Delivery?

  • Feature Store چیست؟ What is a Feature Store?

  • Data Drift یا رانش داده‌ها چیست؟ What is Data Drift?

  • عملیاتی کردن یک میکروسرویس Operationalizing a Microservice

  • CI برای میکروسرویس‌ها CI for Microservices

  • MLOps جامع با HuggingFace Spaces End to End MLOps HuggingFace Spaces

  • مثال App Runner App Runner Example

  • مثال Flask Flask Example

  • ساخت میکروسرویس Golang در GCP App Engine Building Golang GCP App Engine Microservice

  • شروع کار با Makefile Getting Started with Makefile

  • سه فایل حیاتی در یک پروژه پایتون The Three Most Important Files in a Python Project

ریاضیات ضروری و علوم داده Essential Math and Data Science

  • شروع کار با علوم داده در روز اول Doing Data Science Your First Day

  • Colab چیست؟ What is Colab?

  • درک مسئله فروشنده دورگرد (TSP) Understanding the Traveling Salesman Problem (TSP)

  • شبیه‌سازی در مقابل ردیابی آزمایشات Simulations vs. Experiment Tracking

  • کاربرد عملی ML و AI در خوشه‌بندی (Clustering) Machine Learning and AI in Practice with Clustering

خط‌لوله‌های عملیاتی: DevOps، DataOps و MLOps Operations Pipelines: DevOps, DataOps, MLOps

  • مزایای فضای کاری توسعه‌دهنده ابری Cloud Developer Workspace Advantage

  • اجزای کلیدی اکوسیستم GitHub Key Components of GitHub Ecosystem

  • استفاده از قالب‌های GitHub Using GitHub Templates

  • دموی GitHub Codespaces Demo of GitHub Codespaces

  • GPU Code Whisperer GPU Code Whisperer

  • تنظیم دقیق (Fine Tuning) با Hugging Face Fine-Tuning with Hugging Face

  • دموی GitHub Copilot Demo of GitHub Copilot

  • GitHub Actions GitHub Actions

  • خط‌لوله‌های DataOps با استفاده از Step Functions Pipelines for DataOps using Step Functions

  • پرس‌وجو از خط‌لوله Databricks Query Databricks Pipeline

  • ساخت خط‌لوله‌های ورود داده در AWS Building Data Ingestion Pipelines on AWS

  • Step Functions در پروژه Marco Polo Marco Polo Step Functions

  • تبدیل داده‌ها در حین انتقال در AWS Transforming Data in Transit on AWS

  • دموی سرویس AWS Batch Demo AWS Batch Service

  • خط‌لوله‌های مهندسی داده بدون سرور (Serverless) در AWS Serverless Data Engineering Pipelines on AWS

  • ساخت توابع پایتون از صفر Building Python Functions from Zero

  • ساخت پروژه NLP پایتون با Python Fire Building a Python NLP Project with Python Fire

  • توسعه Google Cloud Functions Extending Google Cloud Functions

  • استفاده از Google Cloud Functions Using Google Cloud Functions

  • استقرار تابع Azure Rust با GitHub Actions Deploying a Rust Azure Function with GitHub Actions

MLOps و AIOps جامع (End to End) End to End MLOps and AIOps

  • میکروسرویس‌های کانتینری Containerized Microservices

  • تحویل مستمر کانتینری Containerized Continuous Delivery

  • یادگیری ماشین کانتینری Containerized Machine Learning

  • یادگیری ماشین جامع (End to End) کانتینری Containerized End-to-End Machine Learning

  • ساخت کانتینرهای Distroless Building Distroless Containers

  • استفاده از AI برای نوشتن AI Use AI to Write AI

  • یادگیری مهارت‌های کلیدی Python DevOps با Copilot Learn Key Skills for Python DevOps with Copilot

  • مقایسه Amazon CodeWhisperer و GitHub Copilot Amazon CodeWhisperer vs. GitHub Copilot

  • فعال‌سازی گردش‌کارهای AI Enabling AI Workflows

  • ساخت نمونه اولیه APIهای هوش مصنوعی Prototyping AI APIs

  • استفاده از یادگیری انتقالی (Transfer Learning) Using Transfer Learning

  • پیاده‌سازی تکنولوژی OpenAI با Streamlit Assimilate OpenAI Technology using Streamlit

زبان Rust برای MLOps: انتقال کاربردی از پایتون به Rust Rust for MLOps: The Practical Transition from Python to Rust

  • مقدمه‌ای بر انتقال از پایتون به Rust Introduction to Switching to Rust from Python

  • یادداشت‌های آموزشی مقدماتی Rust Introduction to Rust Lecture Notes

  • پیکربندی Rust برای AWS Cloud9 Configure Rust for AWS Cloud9

  • برنامه‌نویسی Rust با کمک GitHub Copilot GitHub Copilot Enabled Rust Programming

  • استفاده از بسته‌بندی Rust برای توسعه وب Using Rust Packaging for Web Development

  • مقایسه بهره‌وری انرژی Rust در مقابل پایتون Comparing Energy Efficiency of Rust vs. Python

  • مقایسه Rust و پایتون برای MLOps Comparing Rust vs. Python for MLOps

  • یکپارچه‌سازی مستمر (CI) برای Rust با GitHub Actions Continuous Integration for Rust with GitHub Actions

  • دموی تست واحد (Unit Testing) در Rust Demo Unit Testing Rust

  • ساخت ابزار حذف داده‌های تکراری با Rust Building a Deduplication Tool with Rust

  • طبقه‌بندی Zero Shot در Rust با Hugging Face Zero Shot Classification Rust Hugging Face

  • مترجم Hugging Face با Rust و GPU Rust GPU Hugging Face Translator

  • Stable Diffusion پایتورچ در Rust با GPU PyTorch Stable Diffusion Rust with GPU

  • دموی PyTorch در Rust Rust PyTorch Demo

  • ساخت تست استرس GPU Building GPU Stress Test

  • استفاده از Rust ONNX با EFS برای AWS Lambda Using Rust ONNX with EFS for AWS Lambda

  • ورود به GCP با پایتون و Rust از طریق CloudShell Onboarding to GCP with Python and Rust via CloudShell

  • اجرای میکروسرویس Rust Actix با Google Cloud Run Run Rust Actix Microservice with Google Cloud Run

  • ساخت و استقرار میکروسرویس Rust در Google Cloud Run Build and Deploy Rust Microservice via Google Cloud Run

  • مانیتورینگ و لاگینگ با Rust برای Google App Engine Monitoring and Logging with Rust for Google App Engine

  • تست فشار (Load Testing) میکروسرویس Rust Load Testing a Rust Microservice

  • ساخت میکروسرویس Rust کانتینری با AWS Building a Containerized Rust Microservice with AWS

  • AWS Step Functions با Rust AWS Step Functions with Rust

  • استقرار میکروسرویس Rust در App Engine Deploy an App Engine Rust Microservice

  • محاسبه‌گر اندازه در AWS S3 Size Calculator in AWS S3

نمایش نظرات

آموزش جامع DevOps، DataOps و MLOps
جزییات دوره
44h 43m
84
(آخرین آپدیت)
38,668
4.2 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده

Noah Gift Noah Gift

کارشناس MLOps | انفرادی | نویسنده | استادیار | CTO

Noah Gift بنیانگذار Pragmatic A.I است. آزمایشگاه ها و یکی از همکاران بنیاد نرم افزار پایتون.

نوح به طور گسترده با AWS کار می کند و یک قهرمان یادگیری ماشین AWS است. او دارای چندین گواهینامه صنعتی برای AWS است. نوح آموزش و طراحی دوره های آموزشی ماشین فارغ التحصیل، MLOps، A.I.، علم داده و مشاوره در زمینه یادگیری ماشین و معماری ابری را انجام می دهد. مسئولیت های او شامل رهبری ابتکار صدور گواهینامه چند ابری برای دانش آموزان است. نوح نقش های مختلفی را به صورت حرفه ای ایفا کرده است، از جمله CTO، مدیر کل، مشاور مدیر ارشد فناوری، مشاور ارشد دانشمند داده و معمار ابر. او همچنین دارای چندین تیتراژ فیلم در فیلم‌های اصلی برای کارهای فنی از جمله آواتار، مرد عنکبوتی 3 و بازگشت سوپرمن است.