ابزار MLOps: MLflow و Hugging Face

سرفصل ها و درس ها

مقدمه Introduction

• معرفی پلتفرم های MLOps MLOps platforms introduction

1. مقدمه ای بر MLflow 1. Introduction to MLflow

• پارامترها، نسخه، مصنوعات و معیارها Parameters, version, artifacts, and metrics

• نصب و استفاده از MLflow Installing and using MLflow

• مقدمه ای بر رابط کاربری ردیابی Introduction to the tracking UI

• مروری بر MLflow Overview of MLflow

2. پروژه های MLflow 2. MLflow Projects

• کار با پروژه های MLflow Working with MLflow projects

• پروژه ها را از مخازن راه دور Git اجرا کنید Run projects from remote Git repositories

• یک پروژه MLflow ایجاد کنید Create an MLflow project

• اتصال MLflow به Databricks Connecting MLflow to Databricks

3. مدل های MLflow 3. MLflow Models

• اجزای بسته MLflow Components of the MLflow package

• از یک رجیستری با مدل MLflow استفاده کنید Use a registry with an MLflow model

• ارجاع مصنوعات با API Referencing artifacts with the API

• ذخیره و ارائه مدل های MLflow Saving and serving MLflow models

4. مقدمه ای بر صورت در آغوش گرفتن 4. Introduction to Hugging Face

• صورت در آغوش گرفتن چیست؟ What is Hugging Face?

• استفاده از فضاهای در آغوش گرفتن صورت Using Hugging Face Spaces

• استفاده از مخازن Hugging Face Using Hugging Face repositories

• مقدمه ای بر Hugging Face Hub Introduction to the Hugging Face Hub

• نمای کلی Hugging Face Hub Overview of the Hugging Face Hub

5. مقدمه ای بر صورت بغل کردن کاربردی 5. Introduction to Applied Hugging Face

• با استفاده از Hugging Face CLI Using the Hugging Face CLI

• استفاده از Codespace های مجهز به GPU Using GPU-enabled Codespaces

• مقدمه ای بر صورت بغل کردنی کاربردی Introduction to applied Hugging Face

6. استفاده از صورت در آغوش گرفتن 6. Using Hugging Face

• با استفاده از مدل هاب Using the Model Hub

• افزودن مجموعه داده ها Adding datasets

• کار با مدل ها Working with models

• کار با مجموعه داده ها Working with datasets

• دانلود مدل ها Downloading models

• استفاده از مجموعه داده ها Using datasets

7. بسته بندی صورت در آغوش 7. Packaging Hugging Face

• اجرای FastAPI با صورت در آغوش گرفته Running FastAPI with Hugging Face

• ظروف صورت در آغوش Containerizing Hugging Face

• بسته بندی CI/CD با GitHub Actions CI/CD packaging with GitHub Actions

• Hagging Face و FastAPI Hugging Face and FastAPI

8. Hugging Face و Azure ML Studio 8. Hugging Face and Azure ML Studio

• بررسی مجموعه داده Hagging Face در Azure Inspecting a Hugging Face dataset on Azure

• ثبت مجموعه داده Hugging Face در Azure Registering a Hugging Face dataset on Azure

• Hugging Face و Azure ML Studio Hugging Face and Azure ML Studio

• Azure ML Python SDK Azure ML Python SDK

• ثبت مدل صورت در آغوش گرفته در Azure Registering a Hugging Face model on Azure

9. اتوماسیون صورت در آغوش گرفتن 9. Hugging Face Automation

• استفاده از Azure Container Registry Using Azure Container Registry

• استفاده از GitHub Actions برای استقرار مدل Using GitHub Actions for model deployments

• اتوماسیون بسته بندی Docker Hub Automating packaging Docker Hub

• بسته بندی خودکار با رجیستری ظروف Azure Automating packaging with Azure Container Registry

10. صورت در آغوش گرفته با ظروف لاجوردی 10. Hugging Face with Azure Containers

• یک برنامه کانتینر Azure ایجاد کنید Create an Azure container application

• عیب یابی استقرار کانتینر Troubleshooting container deployment

• یک برنامه کانتینر Azure را پیکربندی کنید Configure an Azure container application

• Hagging Face را روی Azure پیاده کنید Deploy Hugging Face to Azure

11. تنظیم دقیق و صادرات ONNX 11. Fine-Tuning and ONNX Exporting

• انجام تنظیم دقیق Performing fine-tuning

• صادرات مدل‌های صورت در آغوش گرفته به ONNX Exporting Hugging Face models to ONNX

• مقدمه ای بر ONNX و صورت در آغوش گرفتن Introduction to ONNX and Hugging Face

• مقدمه ای بر نظریه تنظیم دقیق Introduction to fine-tuning theory

12. فضاهای صورت در آغوش گرفتن 12. Hugging Face Spaces

• مروری بر فضاهای صورت در آغوش گرفتن Hugging Face Spaces walkthrough

• مقدمه ای بر فضاهای صورت در آغوش گرفتن Introduction to Hugging Face Spaces

• استقرار در فضاهای در آغوش گرفتن صورت Deploying to Hugging Face Spaces