آموزش ساخت پکیج‌های تست‌پذیر پایتون برای هوش مصنوعی - آخرین آپدیت

دانلود Build Testable Python Packages for AI

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: این دوره به یادگیرندگان کمک می‌کند تا کدهای پراکنده پیش‌پردازش هوش مصنوعی را به ابزارهای پایتونی تمیز، قابل استفاده مجدد و تست‌پذیر تبدیل کنند که با استانداردهای مدرن MLOps مطابقت داشته باشد. در طول دو درس متمرکز، کاربران مفاهیم پیشرفته برنامه‌نویسی مانند Generatorها، Decoratorها و ثبت ساختاریافته لاگ‌ها (Structured Logging) را بررسی می‌کنند که گردش‌کارهای یادگیری ماشین را ماژولار و قابل نگهداری می‌کند. سپس با به‌کارگیری اصول مهندسی نرم‌افزار، پکیج‌های پایتونی مطابق استاندارد طراحی می‌کنند که به‌طور یکپارچه در خط لوله‌های (Pipelines) واقعی هوش مصنوعی ادغام شوند. از طریق ویدیوها، متون آموزشی، تمرینات عملی و آزمایشگاه Coursera، یادگیرندگان بازنویسی (Refactoring) مراحل پیش‌پردازش، ساختاربندی پکیج‌ها بر اساس استانداردهای فعلی پایتون، مدیریت وابستگی‌ها و نوشتن تست‌های واحد با pytest را تمرین می‌کنند. در پایان دوره، کاربران مهارت‌های لازم برای ساخت و تست یک پکیج کاربردی پایتون مناسب برای انتشار در PyPI داخلی و محیط‌های عملیاتی یادگیری ماشین را کسب خواهند کرد.

سرفصل ها و درس ها

ساخت پکیج‌های تست‌پذیر پایتون برای هوش مصنوعی Build Testable Python Packages for AI

خوش‌آمدگویی و معرفی دوره Welcome & Course Introduction Video
چرا ساختارهای پیشرفته ابزارهای هوش مصنوعی را قابل استفاده مجدد می‌کنند Why Advanced Constructs Make AI Utilities Reusable
بازنویسی پیش‌پردازش‌ها به خط لوله‌های Generator Refactoring Preprocessing Into Generator Pipelines
چرا مهارت‌های پکیج‌بندی در مهندسی ML اهمیت دارد Why Packaging Skills Matter in ML Engineering
نحوه ساختاربندی یک پکیج تست‌پذیر پایتون How to Structure a Testable Python Package
جلوگیری از خرابی‌های خاموش: تست واحد ابزارهای ML Preventing Silent Breaks: Unit Testing ML Utilities
تبریکات و مسیر یادگیری مستمر Congratulations and Continuous Learning Journey