آموزش دوره جامع MLOps از صفر تا صد - آخرین آپدیت

سرفصل ها و درس ها

معرفی دوره Course Introduction

• مقدمه Intro

• مخزن گیت‌هاب دوره GitHub Repository for the course

• لینک مخزن گیت‌هاب GitHub Repository Link

آشنایی با MLOps Introduction to MLOps

• یادگیری ماشین و مدل چیست؟ What is Machine Learning and What is a Model ?

• مدل در دنیای واقعی چگونه ایجاد می‌شود (مراحل دقیق) How is a Model created in realtime (detailed steps)

• MLOps چیست؟ What is MLOps?

• مروری بر چرخه عمر یادگیری ماشین Machine Learning Lifecycle Overview

• تفاوت دانشمند داده، مهندس ML و مهندس MLOps Data Scientist vs ML Engineer vs MLOps Engineer

درک نقش MLOps در چرخه عمر ML در سطح کلی [پروژه محور] Understand the role of MLOps in ML Lifecycle at a High level [Project based]

• معرفی پروژه Introduction to the Project

• لینک‌های کاربردی برای شروع Useful Links to get started

• نحوه کار دانشمندان داده بدون متدهای MLOps Learn how Datascientists work without MLOps practices

• چگونه مهندسان MLOps به دانشمندان داده کمک می‌کنند Learn how MLOps Engineers help Datascientists

• نقش مهندسان ML در یک پروژه در سطح کلی Role of ML Engineers in a project at a high level

• کمک مهندسان MLOps به مهندسان ML در استقرار مدل Learn how MLOps Engineers help ML Engineers with Model deployment

• نتیجه‌گیری Conclusion

نسخه‌بندی داده‌ها و ابزار DVC Data Versioning and Data Version Control (DVC)

• نسخه‌بندی داده‌ها چیست و چرا Git کافی نیست؟ What is Data versioning - Why Git isn't enough ?

• معرفی DVC (کنترل نسخه داده‌ها) Introduction to DVC (Data Version Control)

• لینک گیت‌هاب برای بخش عملی بعدی GitHub Repo Link for the next hands-on lecture

• تمرین عملی DVC [ترکیب DVC و AWS S3] DVC Realtime Hands-on [DVC + AWS S3]

ردیابی آزمایش‌ها و MLFlow Experiment Tracking and MLFlow

• مقدمه‌ای بر ردیابی آزمایش‌ها (Experiment Tracking) Introduction to Experiment Tracking

• MLflow چیست؟ [معرفی MLflow] What is MLflow? [Introduction to MLflow]

• نصب پایه MLflow [دمو و غیر صنعتی] Basic MLflow Installation [Non-Production, Demo purpose]

• مستندات نصب پایه MLflow MLflow basic installation doc

• نصب پایه MLflow روی کوبرنتیز [دمو و غیر صنعتی] Basic MLflow Installation on Kubernetes [Non-Production, Demo purpose]

• مستندات راه‌اندازی MLflow در محیط عملیاتی با Postgres MLflow production setup using Postgres doc

• نصب MLflow در محیط عملیاتی با PostgreSQL روی کوبرنتیز [مهم] MLflow Installation in Production with PostgreSQL on Kubernetes [Important]

• مخزن گیت‌هاب برای درس بعدی GitHub repository for the next lecture

• ردیابی عملی با MLflow برای مدل پیش‌بینی شراب [DVC + MLflow] Realtime Tracking with MLflow for Wine Prediciton Model [DVC + MLflow]

• مقایسه بصری چندین اجرای آزمایش در MLflow Comparing multiple runs in an experiments visually using MLflow

• مرور سریع MLflow MLflow Quick revision

مبانی استقرار و سرویس‌دهی مدل Fundamentals of Model Deployment and Model Serving

• مقدمه‌ای بر استقرار و سرویس‌دهی مدل Introduction to Model Deployment and Model Serving

• روش‌های رایج استقرار مدل در محیط عملیاتی توسط مهندسان MLOps Popular ways to Deploy and Serve models in Production by MLOps engineers

• مخزن گیت‌هاب برای درس بعدی GitHub repository for the next lecture

• مدل طبقه‌بندی قصد (Intent Classifier) برای درک سرویس‌دهی مدل Intent Classifier Model - We will use this model to understand Model Serving.

استقرار و سرویس‌دهی مدل با استفاده از ماشین‌های مجازی (VM) Model Deployment and Serving using Virtual Machines

• معماری Architecture

• نکته مهم Important Note

• پیاده‌سازی WSGI Implementing WSGI

• اسکریپت Userdata برای پیاده‌سازی [مهم] Userdata script for the Implementation [Important]

• پیاده‌سازی کامل End-to-End همراه با یادداشت‌ها End to End Implementation with Notes

• پاک‌سازی منابع Cleanup resources

استقرار و سرویس‌دهی مدل با استفاده از کوبرنتیز (Kubernetes) Model Deployment and Serving using Kubernetes

• نکته مهم Important Note

• مرور کلی Overview

• آماده‌سازی Dockerfile برای پروژه Preparing Dockerfile for the Project

• اجرا و تست ایمیج داکر به صورت محلی Running and testing the Docker Image locally

• ارسال ایمیج به Model Registry Pushing the Image to a Model Registry

• ایجاد و مدیریت کلاستر کوبرنتیز Creating and Managing a Kubernetes cluster

• آماده‌سازی Manifestهای کوبرنتیز برای استقرار مدل Preparing Kubernetes manifests for Model Deployment

• مرور کلی سرویس‌دهی مدل (Model Serving) [Model serving] - Overview

• استقرار Ingress Controller Ingress Controller deployment

• سرویس‌دهی مدل با استفاده از Ingress Model Serving using Ingress

معرفی KServe KServe

• نکته مهم Important Note

• معرفی KServe Introduction to KServe

• معماری KServe KServe Architecture

• دموی کامل KServe برای یک مدل نمونه KServe End to End Demo for a sample model

• دموی کامل KServe برای مدل Intent Classifier KServe End to End Demo for the Intent Classifier model

• استفاده از Kserve برای LLMOps Kserve for LLMOps

سرویس Amazon SageMaker AI AWS Sagemaker AI

• معرفی Amazon SageMaker AI Introduction to Amazon SageMaker AI

• شروع کار با Amazon SageMaker AI Getting Started with Amazon SageMaker AI

• راه‌اندازی عملیاتی Amazon SageMaker - بخش اول Amazon SageMaker Production Setup - Part 1

• راه‌اندازی عملیاتی Amazon SageMaker - بخش دوم Amazon SageMaker Production Setup - Part 2

• ایجاد و ذخیره مدل‌ها در Registry با SageMaker Create and Save Models to Registry using SageMaker

• استقرار و سرویس‌دهی مدل برای استنتاج با SageMaker Deploy and Serve Model for Inference using SageMaker

• حذف منابع [مهم] Delete Resources [Important]

یکپارچه‌سازی و تحویل مداوم (CI/CD) برای مدل‌ها Continuous Integration and Continuous Delivery (CI/CD) for Models

• آموزش کامل Kubeflow Pipelines Kubeflow Pipelines complete tutorial

• پیاده‌سازی CI/CD برای ML با GitHub Actions + DVC + Argo CD + KServe CICD for ML using GitHub Actions + DVC + Argo CD + KServe

جمع‌بندی و نکات کلیدی Key Takeaways

• چه مواردی را یاد گرفتید؟ What did you learn ?

• چگونه در مصاحبه‌ها خود را به عنوان مهندس MLOps معرفی کنید How to present yourself as a MLOps Engineer in interviews

• مواردی که می‌توانید به رزومه خود اضافه کنید Points that you can add to your Resume

• گام‌های بعدی Next steps