آموزش MLOps: مبانی CI/CD و استقرار مدل‌های یادگیری ماشین - آخرین آپدیت

سرفصل ها و درس ها

1. مقدمه‌ای بر MLOps 1. Introduction to MLOps

• معرفی دوره Course introduction

• شروع به کار با تیم یادگیری ماشین Getting started with the machine learning team

• معماری MLOps MLOps architecture

• چرخه حیات MLOps MLOps lifecycle

• معرفی نقش مهندس MLOps Introduction to the MLOps engineer role

• یکپارچه‌سازی مداوم (CI)، استقرار مداوم (CD)، آموزش مداوم (CT) و مانیتورینگ مداوم (CM) Continuous integration (CI), continuous deployment (CD), continuous training (CT), and continuous monitoring (CM)

• یافتن و بررسی ابزارهای مناسب DevOps برای MLOps Finding and exploring the right tools from DevOps for MLOps

• مقایسه با DevOps: فرمول MLOps = DataOps + DevOps + ModelOps Comparison with DevOps: MLOps = DataOps + DevOps + ModelOps

2. جمع‌آوری و آماده‌سازی داده‌ها 2. Data Collection and Preparation

• دریاچه‌های داده (Data Lakes) Data lakes

• پاک‌سازی و تبدیل داده‌ها Data cleaning and data transformation

• مجموعه داده‌های کوچک و متوسط و تبدیل داده‌ها: pandas و Polars Small- and medium-sized datasets and data transformation: pandas and Polars

• ارکستراسیون خط لوله داده: Airflow و Prefect Data pipeline orchestration: Airflow and Prefect

• جریان‌های داده (Streaming): Apache Kafka و Apache Flink Streaming datasets: Apache Kafka and Apache Flink

• Feature Store چیست؟ What is feature store?

• دمو: تبدیل داده‌های کوچک و متوسط با pandas و Polars Demo: Small- and medium-sized datasets and data transformation—pandas and Polars

• دمو: ارکستراسیون خط لوله داده Demo: Data pipeline orchestration

• جمع‌آوری و آماده‌سازی داده‌ها Data collection and preparation

• دمو: استریم داده‌ها با استفاده از Apache Kafka Demo: Stream data using Apache Kafka

• مجموعه داده‌های حجیم: Apache Spark (PySpark) و Dask Large datasets: Apache Spark (PySpark) and Dask

• ورود داده‌ها: ETL Data ingestion: ETL

3. توسعه و آموزش مدل 3. Model Development and Training

• توسعه مدل Model development

• دمو: پیکربندی MLflow Demo: Setting MLflow

• دمو: آرتیفکت‌های مدل و نسخه‌بندی در MLflow Demo: MLflow model artifact and versioning

• دنیای CPUها و GPUها World of CPUs and GPUs

• معرفی MLflow Introduction MLflow

• آموزش مدل و تنظیم هایپرپارامترها Model training and hyperparameter tuning

• دمو: اجرای یک آزمایش و ذخیره نتایج در MLflow Demo: Running an experiment and storing the result on MLflow

4. استقرار و سرو کردن مدل 4. Model Deployment and Serving

• رانش مدل (Model Drift) و سروینگ آنلاین/آفلاین Model drift and online/offline serving

• استقرار و سرو کردن مدل Model deployment and serving

• سروینگ مدل Model serving

• دمو: ارتقای نسخه‌های مدل با BentoML serving Demo: Upgrading model versions with BentoML serving

• ابزارهای مانیتورینگ: Prometheus، Grafana و Evidently Monitoring tools: Prometheus, Grafana, and Evidently

• دمو: سرو کردن مدل با استفاده از BentoML Demo: Model serving using BentoML

5. اتوماسیون بررسی ادعاهای بیمه با MLflow و BentoML 5. Automating Insurance Claim Reviews with MLflow and BentoML

• استقرار اپلیکیشن برای نمایندگان بیمه جهت آپلود ادعاهای بیمه Deploy app for insurance agents to upload all insurance claims

• دمو: تولید داده‌های مصنوعی (Dummy Data) برای پروژه Demo: Generate dummy data for the project

• دمو: راه‌اندازی سرور MLflow و اجرای آزمایش ML Demo: Set up MLflow server and run the ML experiment

• دمو: ارتقای اپلیکیشن Flask برای اتصال به BentoML جهت سروینگ آنلاین Demo: Upgrade Python Flask app to connect to BentoML for online serving

• دمو: ثبت مدل و تنظیم BentoML برای سرو کردن مدل‌های ML Demo: Register the model and setup BentoML for serving ML models

6. امنیت و حاکمیت داده‌ها 6. Data Security and Governance

• پیامدها و جریمه‌های عدم انطباق Compliance consequences and penalties

• خلاصه‌ای از قوانین انطباق (Compliance) Compliance summary

• ضرورت انطباق و استاندارد GDPR Need of compliance and GDPR

• انطباق با استاندارد PCI PCI compliance

• انطباق با استاندارد HIPAA HIPAA compliance

• نگهداری داده‌ها (Data Retention) Data retention

• حریم خصوصی و امنیت داده‌ها Data privacy and data security

• مدیریت دسترسی به داده‌ها Data access management

7. نگاهی کوتاه به AWS SageMaker 7. Sneak Peek into AWS SageMaker

• اجزای اصلی SageMaker Core components of SageMaker

• پیاده‌سازی MLOps با SageMaker MLOps with SageMaker

• نمای کلی SageMaker Overview of SageMaker