آموزش استقرار و عیب‌یابی میکروسرویس‌های یادگیری ماشین (ML) - آخرین آپدیت

استقرار، مدیریت و ارکستراسیون مدل‌ها: کانتینری‌سازی و ارکستراسیون اپلیکیشن‌ها Deploy, Manage, and Orchestrate Your Models: Containerize and Orchestrate Applications

• مقدمه و خوش‌آمدگویی Introduction and Welcome

• نوشتن Dockerfile برای مدل شما Writing a Dockerfile for Your Model

• استقرار کانتینرها در Kubernetes Deploying Containers in Kubernetes

استقرار و بهینه‌سازی سرویس‌های ML: ساخت و اتوماسیون سرویس استنتاج ML Deploy & Optimize ML Services Confidently: Build and Automate Your ML Inference Service

• خوش‌آمدگویی و بررسی کلی دوره Welcome and Course Overview

• از مدل تا سرویس: مسیر استنتاج RESTful From Model to Service — The RESTful Inference Journey

• یکپارچگی مستمر (CI): تست برای اطمینان از صحت Continuous Integration — Testing for Confidence

استقرار و بهینه‌سازی سرویس‌های ML: ارزیابی و بهینه‌سازی برای عملکرد SLA Deploy & Optimize ML Services Confidently: Evaluate and Optimize for SLA Performance

• «عملکرد خوب» واقعاً به چه معناست؟ What Does “Good Performance” Really Mean?

• اندازه‌گیری تأخیر (Latency): ابزارها، فرآیند و اهمیت آن Measuring Latency — Tools, Process, and Why It Matters

• بهینه‌سازی با اطمینان: مقیاس‌بندی و تنظیمات کانتینر Optimize with Confidence — Scaling and Container Tweaks

ادغام، مقیاس‌بندی و نظارت بر میکروسرویس‌های ML: ادغام میکروسرویس‌ها در معماری سیستم Integrate, Scale, and Monitor ML Microservices: Integrate ML Microservices into System Architecture

• خوش‌آمدگویی و معرفی دوره Welcome and Course Introduction

• از مدل تا میکروسرویس: طراحی برای ادغام From Model to Microservice — Designing for Integration

• نحوه قرارگیری میکروسرویس‌های ML در معماری سیستم How ML Microservices Fit Into System Architecture

ادغام، مقیاس‌بندی و نظارت بر میکروسرویس‌های ML: مقیاس‌بندی با پیام‌رسانی نامتقارن Integrate, Scale, and Monitor ML Microservices: Scale ML Microservices with Asynchronous Messaging

• مقیاس‌بندی سیستم‌های ML با پیام‌رسانی نامتقارن Scaling ML Systems with Asynchronous Messaging

• ساخت صف پیش‌بینی: الگوهای دنیای واقعی Building a Prediction Queue: Real-World Patterns

ادغام، مقیاس‌بندی و نظارت بر میکروسرویس‌های ML: نظارت و نگهداری با قابلیت مشاهده (Observability) Integrate, Scale, and Monitor ML Microservices: Monitor and Maintain ML Microservices with Observability

• اصول قابلیت مشاهده: لاگ‌ها، متریک‌ها و ردیابی برای میکروسرویس‌های ML Observability 101: Logs, Metrics & Tracing for ML Microservices

عیب‌یابی کد ML: اصلاح، ردیابی و ارزیابی: استفاده از تست‌های واحد برای شناسایی زودهنگام نقص‌ها Debug ML Code: Fix, Trace & Evaluate: Test to Isolate: Using Unit Tests to Catch ML Defects Early

• خوش‌آمدگویی: چگونه تست کردن به عیب‌یابی سریع‌تر ML کمک می‌کند Welcome: How Testing Helps You Debug ML Faster

• نوشتن تست‌های Pytest برای توابع پیش‌پردازش ML Writing Pytest Cases for ML Preprocessing Functions

عیب‌یابی کد ML: اصلاح، ردیابی و ارزیابی: ردیابی خطاها با استفاده از لاگ‌ها و Stack Trace Debug ML Code: Fix, Trace & Evaluate: Trace the Failure: Using Logs and Stack Traces to Find Root Causes

• خواندن Stack Trace: آنچه درباره خط لوله (Pipeline) شما می‌گوید Reading Stack Traces: What They Reveal About Your Pipeline

عیب‌یابی کد ML: اصلاح، ردیابی و ارزیابی: تایید اصلاحات با تست رگرسیون Debug ML Code: Fix, Trace & Evaluate: Validate the Fix: Regression Testing and Confirming Defect Resolution

• تست رگرسیون برای ML: چه زمانی یک اصلاح واقعاً نهایی است؟ Regression Testing for ML: When Is a Fix Really Fixed?

پروژه: استقرار، مقیاس‌بندی، نظارت و عیب‌یابی یک میکروسرویس ML Project: Deploy, Scale, Monitor & Debug an ML Microservice