آموزش MLOps برای یادگیری ماشین - آخرین آپدیت

آموزش MLOps برای یادگیری ماشین Learn MLOps for Machine Learning

• معرفی دوره Course Introduction

• اهداف یادگیری Learning objectives

• جمع‌آوری داده‌ها Gather the data

• تحلیل داده‌ها Analyze the data

• آماده‌سازی داده‌ها Prepare the data

• آموزش مدل Train a model

• ارزیابی مدل Evaluate the model

• اعتبارسنجی مدل Validate the model

• استقرار مدل Deploy the model

• نظارت بر مدل Monitor the model

• اهداف یادگیری Learning objectives

• تعیین منابع داده‌ها Determine what the data sources are

• ایجاد خط لوله‌های ETL برای تجمیع داده‌ها Create ETL pipelines to compile the data

• درک شمای داده‌ها نسبت به مدل Understand the data schema with respect to the model

• شناسایی داده‌های قابل استفاده برای مدل Identify data that can be used for the model

• انجام مهندسی ویژگی (Feature Engineering) Perform feature engineering

• نسخه‌بندی داده‌ها با DVC Version the data with DVC

• ساخت مجموعه‌ داده‌های متعدد Make multiple data sets

• بهترین روش‌های MLOps برای داده‌ها MLOps best practices for data

• اهداف یادگیری Learning objectives

• استفاده از کتابخانه‌های رایج پایتون Use common Python libraries

• نسخه‌بندی کد با Git Code versioning with Git

• انجام تنظیم هایپرپارامترها (Hyperparameter Tuning) Perform hyperparameter tuning

• ردیابی آزمایش‌ها با MLFlow Track experiments with MLFlow

• ردیابی آزمایش‌ها با DVC Track experiments with DVC

• ارزیابی مدل‌ها Evaluate the models

• اهداف یادگیری Learning objectives

• تصمیم‌گیری برای بهترین روش استقرار Decide the best deployment method

• تست در محیط‌های پیش-تولید (Pre-production) Test on pre-production environments

• استقرار در محیط عملیاتی (Production) Deploy to production

• نظارت بر رانش مدل (Model Drift) Monitor the model for drift

• اعتبارسنجی جریان خط لوله (Pipeline Flow) Validate the pipeline flow

• نقاط اتوماسیون در MLOps Automation points in MLOps

• راه‌اندازی خط لوله استقرار مجدد Set up redeploy pipeline

• خلاصه دوره MLOps برای یادگیری ماشین Learn MLOps for Machine Learning: Summary