به کارگیری آموزش ماشین مقیاس پذیر برای علوم داده

سرفصل ها و درس ها

مقدمه Introduction

• مقیاس های مدل ML Scaling ML models

• آنچه باید بدانید What you should know

1. نیاز به مقیاس مدل های ML 1. The Need to Scale ML Models

• ساخت و اجرای مدل های ML برای دانشمندان داده Building and running ML models for data scientists

• ساخت و استقرار مدل های ML برای مصارف تولید Building and deploying ML models for production use

• تعریف مقیاس گذاری ML برای تولید Definition of scaling ML for production

• مروری بر ابزارها و تکنیک های ML مقیاس پذیر Overview of tools and techniques for scalable ML

2. طراحی الگوی برنامه های کاربردی ML مقیاس پذیر 2. Design Patterns for Scalable ML Applications

• مقیاس گذاری افقی و عمودی Horizontal vs. vertical scaling

• اجرای مدل ها به عنوان خدمات Running models as services

• API برای خدمات مدل ML APIs for ML model services

• تعادل بار و خوشه های سرورها Load balancing and clusters of servers

• مقیاس به صورت افقی با ظروف Scaling horizontally with containers

3. استقرار مدل های ML به عنوان خدمات 3. Deploying ML Models as Services

• خدمات مدل های ML را محصور می کنند Services encapsulate ML models

• استفاده از Plumber برای ایجاد API برای برنامه های R Using Plumber to create APIs for R programs

• استفاده از Flask برای ایجاد API برای برنامه های Python Using Flask to create APIs for Python programs

• بهترین روشها برای طراحی API برای خدمات ML Best practices for API design for ML services

4- اجرای سرویس های ML در ظروف 4. Running ML Services in Containers

• ظروف اجزای مدل ML را بسته بندی می کنند Containers bundle ML model components

• آشنایی با داکر Introduction to Docker

• ساخت تصاویر داکر با Dockerfiles Building Docker images with Dockerfiles

• به عنوان مثال فرآیند ساخت داکر Example Docker build process

• با استفاده از ثبت های Docker برای مدیریت تصاویر Using Docker registries to manage images

5. مقیاس گذاری خدمات ML با کوبنتز 5. Scaling ML Services with Kubernetes

• خدمات در حال اجرا در خوشه Running services in clusters

• آشنایی با کوبرنتس Introduction to Kubernetes

• ایجاد یک خوشه Kubernetes Creating a Kubernetes cluster

• استقرار ظروف در یک خوشه Kubernetes Deploying containers in a Kubernetes cluster

• مقیاس کردن یک خوشه Kubernetes Scaling up a Kubernetes cluster

• اتوکلاست یک خوشه Kubernetes Autoscaling a Kubernetes cluster

6. خدمات ML در تولید 6. ML Services in Production

• نظارت بر عملکرد سرویس Monitoring service performance

• داده های عملکرد سرویس Service performance data

• نظارت بر ظرف داکر Docker container monitoring

• نظارت بر کوبنتز Kubernetes monitoring

نتیجه Conclusion

• بهترین روشها برای مقیاس گذاری ML Best practices for scaling ML

• مراحل بعدی Next steps