آموزش MLOهای عملی برای دانشمندان داده و مهندسان DevOps - AWS

Practical MLOps for Data Scientists & DevOps Engineers - AWS

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: MLOهای عملی برای دانشمندان داده، مهندسین یادگیری ماشین و DevOps - پیاده سازی MLOps - استقرار مدل ها و عملیات پیکربندی خط لوله CI/CD برای پروژه های یادگیری ماشینی توانایی ردیابی کد منبع و تصاویر آموزشی، فایل های پیکربندی با مخزن مبتنی بر Git - قابلیت AWS CodeCommit برای اجرای ساخت با استفاده از قابلیت AWS CodeBuild برای استقرار برنامه روی سرور با استفاده از AWS CodeDeploy هماهنگی مراحل MLOps با استفاده از AWS CodePipeline شناسایی سرویس‌های مناسب AWS برای پیاده‌سازی راه‌حل‌های ML انجام آزمایش بار نظارت بر عملکرد نقطه پایانی نظارت بر رانش مدل توانایی پیروی از مدل- آموزش بهترین شیوه ها توانایی پیروی از بهترین شیوه های استقرار توانایی پیروی از بهترین شیوه های عملیاتی پیش نیازها: دانش اولیه حساب AWS با AWS برای دانش کاربردی عملی پایه یادگیری ماشین و یادگیری عمیق

این دوره - MLOهای عملی برای دانشمندان داده مهندسان DevOps با AWS برای افرادی در نظر گرفته شده است که می خواهند توسعه هوش مصنوعی/یادگیری ماشین (AI/ML) یا نقش علم داده را نزدیک به سطح تولید انجام دهند. این دوره به شما در بهبود توانایی خود در طراحی، ساخت، استقرار، بهینه‌سازی، آموزش، تنظیم و نگهداری راه‌حل‌های ML برای مشکلات تجاری خاص با استفاده از AWS Cloud با تمرین‌های DevOps برای یادگیری ماشین کمک می‌کند.


در حال حاضر، ممکن است از اصول یادگیری ماشینی آگاه باشید، اما مهارت‌های مورد انتظار کارفرما بیشتر از چیزی است که می‌توانید از نوت‌بوک محلی اجرا کنید.


از دیدگاه کارفرما، انتظار می رود که نامزدها:

داشته باشند

· توانایی پیروی از بهترین شیوه های آموزش مدل در مجموعه داده های بزرگ در ابر

· توانایی پیروی از بهترین شیوه های استقرار به طوری که همیشه کار کند

· توانایی پیروی از بهترین شیوه های عملیاتی به طوری که زمان خرابی صفر وجود داشته باشد


به طور خلاصه، از شما انتظار می رود که مشکل کسب و کار را با پیاده سازی روی مجموعه داده حل کنید، نه فقط روی لپ تاپ شخصی کار کنید.


در این سفر آموزشی این دوره، ما سفر یادگیری ساختاریافته را دنبال می‌کنیم، که شما را به روشی منطقی می‌برد تا موضوعات را به شیوه‌ای واضح و دقیق با تمرین‌های عملی/نمایش مربوطه درک کنید.


ساختار دوره به شرح زیر است:

بخش 1: درباره دوره آموزشی AWSMLOPS و مربی

بخش 2: مقدمه ای بر MLOs

بخش 3: DevOps برای دانشمندان داده

بخش 4: شروع به کار با AWS

بخش 5: مبانی لینوکس برای MLOs

بخش 6: مدیریت کد منبع با استفاده از GIT - AWS CodeCommit

بخش 7: دوره تصادف در YAML

بخش 8: AWS CodeBuild

بخش 9: AWS CodeDeploy

بخش 10: AWS CodePipeline

بخش 11: ظروف داکر

بخش 12: MLOهای عملی - Amazon Sagemaker

بخش 13: مهندسی ویژگی - فروشگاه ویژگی در Sagemaker

بخش 14: آموزش، تنظیم استقرار مدل

بخش 15 : ایجاد مدل های سفارشی

بخش 16: خطوط لوله MLOps Sagemaker


همه کد منبع در github به اشتراک گذاشته می‌شود، که تضمین می‌کند که از هر جایی دسترسی داشته باشید و همیشه آخرین نسخه را داشته باشید.



ابزارها، فناوری‌ها و مفاهیم تحت پوشش این دوره در زیر آمده است:


· بلع/مجموعه

· پردازش/ETL

· تجزیه و تحلیل/تجسم داده

· آموزش مدل

· استقرار/استنتاج مدل

· جنبه های عملیاتی

· خدمات برنامه AWS ML

· نوت بوک ها و محیط های توسعه یکپارچه (IDE)

· AWS CodeCommit

· آمازون آتنا

· دسته AWS

· Amazon EC2

· ثبت ظروف الاستیک آمازون (Amazon ECR)

· چسب AWS

· Amazon SageMaker

· Amazon CloudWatch

· AWS Lambda

· Amazon S3


سرفصل ها و درس ها

درباره دوره آموزشی و مربی AWS MLOps About AWS MLOps Course and Instructor

  • درباره MLOps با دوره AWS About the MLOps with AWS Course

  • چگونه از این دوره نهایت استفاده را ببریم؟ How to make the most of this course?

  • کد منبع این دوره Source Code of this course

مقدمه ای بر MLOps Introduction to MLOps

  • MLOs چیست و چرا What & Why MLOps

  • Quick Hands On Demo در MLOps Quick Hands On Demo on MLOps

  • اصول MLOps MLOps Fundamentals

  • MLOps Fundamentals - Deep Dive MLOps Fundamentals - Deep Dive

  • چرا DevOps به تنهایی برای یادگیری ماشینی مناسب نیست؟ Why DevOps alone is not Suitable for Machine Learning ?

  • AWS چیست و مزایای آن What is AWS & its Benefits

  • پشته فنی AWS برای MLOps و یادگیری ماشین Technical Stack of AWS for MLOps & Machine Learning

DevOps برای دانشمندان داده DevOps for Data Scientists

  • SDLC چیست و چرا مهم است؟ What is SDLC & Why its Important

  • انواع SDLC Types of SDLC

  • آبشار در مقابل چابک در مقابل DevOps Waterfall Vs Agile Vs DevOps

  • چرخه زندگی DevOps و ابزارها در AWS DevOps Lifecycle & Tools in AWS

شروع کار با AWS Getting Started with AWS

  • در این بخش چه مواردی را پوشش می دهیم؟ What do we cover in this section ?

  • حساب AWS ایجاد کنید Create AWS Account

  • راه اندازی MFA در حساب ریشه Setting up MFA on Root Account

  • حساب IAM و نام مستعار حساب ایجاد کنید Create IAM Account and Account Alias

  • راه اندازی CLI با اعتبار Setup CLI with Credentials

  • سیاست IAM IAM Policy

  • مولد سیاست IAM و پیوست IAM Policy generator & attachment

  • کاربر IAM را حذف کنید Delete the IAM User

  • S3 سطل و کلاس های ذخیره سازی S3 Bucket and Storage Classes

  • ایجاد S3 Bucket از کنسول Creation of S3 Bucket from Console

  • ایجاد S3 Bucket از CLI Creation of S3 Bucket from CLI

  • فعال سازی نسخه در S3 Version Enablement in S3

  • معرفی نمونه های EC2 Introduction EC2 instances

  • نمونه EC2 و SSH را در نمونه های EC2 راه اندازی کنید Launch EC2 instance & SSH into EC2 Instances

  • پاکسازی فعالیت Clean Up Activity

سیستم عامل لینوکس برای DevOps و دانشمندان داده Linux Operating System for DevOps and Data Scientists

  • در این بخش چه می آموزیم؟ What do we learn in this section ?

  • ویژگی های لینوکس و Bash Linux Features & Bash

  • نحوه راه‌اندازی نمونه‌های EC2 (بازخوانی سریع) How to Launch EC2 Instances (Quick Refresh)

  • دستورات پایه لینوکس Linux Basic Commands

مدیریت کد منبع با استفاده از GIT - CodeCommit Source code Management using GIT - CodeCommit

  • مقدمه ای بر خط لوله CI CD Introduction to CI CD Pipeline

  • مقدمه ای بر AWS Code Commit & DVCS Introduction to AWS Code Commit & DVCS

  • پیکربندی اولیه Git و دستورات Git Git Initial config & Git Commands

  • راه اندازی فضای کاری برای Git Setting up the workspace for Git

  • Git Workflow Git Workflow

  • افزودن فایل ها به قسمت مرحله بندی Adding files to Staging Area

  • تفاوت های مرحله بندی شده Staged Differences

  • Git Unstage Git Unstage

  • Git Reset & Revert Git Reset & Revert

  • AWS Code Commit Remote Git Commands AWS Code Commit Remote Git Commands

  • شبیه سازی و انشعاب Cloning and Branching

  • Git Branching Hands On Part 1 Git Branching Hands On Part 1

  • Git Branching Hands On Part 2 Git Branching Hands On Part 2

  • تضادهای Git و حل آنها Git Conflicts & Resolving them

  • Git Rebase در مقابل Git Merge Git Rebase Vs Git Merge

  • Git Stash مقدمه Git Stash Introduction

  • Git Stash Hands On Git Stash Hands On

  • AWS Code Commit Security AWS Code Commit Security

  • AWS Code Commit Security - Hands On AWS Code Commit Security - Hands On

  • ادغام AWS Code Commit - Triggers - Notifications - CloudWatch - EventBridg AWS Code Commit Integration - Triggers - Notifications - CloudWatch - EventBridg

  • خلاصه Summary

دوره تصادف YAML YAML Crash Course

  • دوره تصادف YAML YAML Crash Course

AWS CodeBuild AWS CodeBuild

  • مقدمه ای بر AWS CodeBuild Introduction to AWS CodeBuild

  • اولین پروژه CodeBuild را ایجاد کنید Create First CodeBuild Project

  • buildspec.yml شیرجه عمیق buildspec.yml deep dive

  • کد ساخت دست در Code Build Hands On

  • متغیرهای محیطی در CodeBuild & buildspec.yml dive deep Hands On Environment Variables in CodeBuild & buildspec.yml deep dive Hands On

  • کار با CodeBuild Artifacts در دست است Working CodeBuild Artifacts Hands On

  • AWS CodeBuild Triggers AWS CodeBuild Triggers

  • فعالیت پاکسازی CleanUp Activity

استقرار کد AWS AWS Code Deploy

  • AWS CodeDeploy مقدمه AWS CodeDeploy Introduction

  • اولین AWS CodeDeploy - معرفی Hands On First AWS CodeDeploy - Intro to Hands On

  • اولین AWS CodeDeploy First AWS CodeDeploy

  • appspec.yml - شیرجه عمیق appspec.yml - Deep Dive

  • خلاصه کدDeploy CodeDeploy Summary

خط لوله کد Code Pipeline

  • AWS CodePipeline معرفی AWS CodePipeline Introduction

  • ایجاد CodePepeline - Hands On Create CodePepeline - Hands On

  • فرآیند خودکار CI CD با تأیید دستی Automatic CI CD Process with Manual Approval

  • خلاصه و پاکسازی Summary & CleanUp

کانتینرهای داکر Docker Containers

  • مقدمه ای بر داکر Introduction to Docker

  • نصب Docker Desktop Installation of Docker Desktop

  • مبانی داکر Docker Basics

  • تصویر را از Docker Registry بکشید Pull the image from Docker Registry

  • Dockerfile Dockerfile

  • تصویر Docker را به ECR فشار دهید Push the Docker Image to ECR

  • Hands On - Amazon ECR برای AWS CodeBuild Hands On - Amazon ECR for AWS CodeBuild

  • خلاصه Summary

MLOs عملی - آمازون Sagemaker Practical MLOps - Amazon Sagemaker

  • AWS Sagemaker چیست؟ What is AWS Sagemaker ?

  • چرا Sagemaker ترجیح داده شده ترین ابزار است Why Sagemaker is the most preferred tool

  • راه اندازی Sagemaker Studio Setting Up the Sagemaker Studio

  • فعالیت پاکسازی CleanUp Activity

Feature Engineering - فروشگاه ویژه در Sagemaker Feature Engineering - Feature Store in Sagemaker

  • مهندسی ویژگی چیست؟ What is Feature Engineering

  • راه اندازی Data Wrangler Data Wrangler Setup

  • گزارش کیفیت داده و بینش Data Quality and Insights Report

  • گزارش تجزیه و تحلیل تک متغیره و سوگیری Univariate Analysis & Bias Report

  • نشت هدف Target Leakage

  • تبدیل داده ها Data Transformation

  • تبدیل داده ها - اسکریپت سفارشی Data Transformation - Custom Script

  • صادرات به S3 Export to S3

  • صادرات به فروشگاه ویژگی Sagemaker Export to Sagemaker Feature Store

  • با استفاده از Feature Store، DataFrame ایجاد کنید Create DataFrame using Feature Store

  • مهندسی ویژگی در نمونه نوت بوک Sagemaker Feature Engineering on Sagemaker Notebook Instance

  • مهندسی ویژگی با Sagemaker Processing Feature Engineering with Sagemaker Processing

  • خلاصه Summary

آموزش، تنظیم و استقرار مدل Training, Tuning & Deploying the Model

  • آموزش xgboost Training the xgboost

  • مدل را مستقر کنید Deploy the Model

  • پیکربندی نقطه پایانی و نقطه پایانی را ایجاد کنید Create End Point and End Point Configuration

  • تنظیم خودکار مدل Automatic Model Tuning

ایجاد مدل های سفارشی Create Custom Models

  • مقدمه ای برای آوردن اسکریپت آموزشی خود Introduction to Bring own Training Script

  • از مدل سفارشی ایجاد شده با Tensorflow استفاده کنید Use Custom Model created with Tensorflow

  • از مدل سفارشی ایجاد شده با Pytorch استفاده کنید Use Custom Model created with Pytorch

  • از مدل سفارشی ایجاد شده با sklearn استفاده کنید Use Custom Model created with sklearn

MLOps Sagemaker Pipelines MLOps Sagemaker Pipelines

  • Sagemaker Pipelines مقدمه Sagemaker Pipelines Introduction

  • خط لوله آموزش Sagemaker Sagemaker Training Pipeline

  • خط لوله استنتاج Sagemaker Sagemaker Inference Pipeline

  • خط لوله MLOs پیشرفته Advanced MLOps pipeline

  • نمای کلی معماری Architecture Overview

  • راه اندازی سیستم برای Cloud9 System Setup for Cloud9

  • ایجاد مخزن داده برای MLOps Create Data Repository for MLOps

  • معرفی دارایی های خط لوله Pipeline Assets Introduction

  • دارایی های ETL را به CodeCommit فشار دهید Push ETL Assets to CodeCommit

  • دارایی آزمون آموزش و استنباط Training and Inference test Asset

  • اجرای تست واحد در قطار و پیش بینی Run Unit Test on Train & Predict

  • دارایی های تست سیستم System Test Asets

  • خلاصه سریع دارایی ها Quick Summary on Assets

  • کار با اجزای Pipeline Working with Pipeline components

  • خط لوله MLOps را ایجاد کنید Create MLOps Pipeline

  • اجرای خط لوله MLOps Execution of MLOps Pipeline

  • آزمون شبیه سازی بار فراخوانی Invoke Load Simulation test

  • ایجاد تجسم با گزارش‌های Cloud Watch Generate Visualization with Cloud watch logs

  • رانش کیفیت داده، پایه، داده های استنتاج Data Quality Drift, Baseline, Inference Data

  • پاک کردن CleanUp

مراجع (V2) References (V2)

  • AWS CodeDeploy مقدمه AWS CodeDeploy Introduction

  • AWS CodeDeploy Hands On AWS CodeDeploy Hands On

  • Appspec.yml Deep Dive Appspec.yml Deep Dive

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

آموزش MLOهای عملی برای دانشمندان داده و مهندسان DevOps - AWS
جزییات دوره
24 hours
128
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
681
4.5 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Manifold AI Learning ® Manifold AI Learning ®

آینده را بیاموزید - علم داده، یادگیری ماشین و هوش مصنوعی