آموزش مهندسی یادگیری ماشین در محیط عملیاتی: بسته‌بندی، APIها و تست - آخرین آپدیت

ساخت بسته‌های پایتون قابل تست برای هوش مصنوعی: به‌کارگیری ساختارهای پیشرفته برنامه‌نویسی برای ایجاد ابزارهای کاربردی Build Testable Python Packages for AI: Apply advanced programming constructs to build reusable utilities

• خوش‌آمدگویی و معرفی Welcome &Introduction

• چرا ساختارهای پیشرفته، ابزارهای هوش مصنوعی را قابل استفاده مجدد می‌کنند Why Advanced Constructs Make AI Utilities Reusable

• بازنویسی پیش‌پردازش در قالب خط لوله‌های Generator Refactoring Preprocessing Into Generator Pipelines

ساخت بسته‌های پایتون قابل تست برای هوش مصنوعی: ایجاد بسته‌های پایتون استاندارد و قابل تست برای برنامه‌های ML Build Testable Python Packages for AI: Create testable, standards-compliant Python packages for ML applications

• چرا مهارت‌های بسته‌بندی در مهندسی ML اهمیت دارند Why Packaging Skills Matter in ML Engineering

• نحوه ساختاردهی به یک بسته پایتون قابل تست How to Structure a Testable Python Package

• جلوگیری از خرابی‌های خاموش: تست واحد (Unit Testing) ابزارهای ML Preventing Silent Breaks: Unit Testing ML Utilities

توسعه APIهای ML آماده عملیات با MLOps: حفظ کیفیت کد ML با کنترل نسخه و CI/CD Develop Production-Ready ML APIs with MLOps: Maintaining ML Code Quality with Version Control and CI/CD

• معرفی و خوش‌آمدگویی Introduction & Welcome

• از نوت‌بوک تا یادگیری ماشین عملیاتی From Notebook to Production ML

• خط لوله‌های CI/CD و تست خودکار برای ML CI/CD Pipelines and Automated Testing for ML

توسعه APIهای ML آماده عملیات با MLOps: طراحی APIهای ماژولار ML برای سرویس‌دهی مدل Develop Production-Ready ML APIs with MLOps: Designing Modular ML APIs for Model Serving

• از آرتیفکت مدل تا سرویس API From Model Artifact to API Service

• طراحی APIهای پیش‌بینی تمیز با FastAPI Designing Clean Prediction APIs with FastAPI

مستندسازی هوش مصنوعی: نوشتن پروژه و API: مستندسازی مدل‌ها، داده‌ها و خط لوله‌های آموزش Document AI: Project & API Writing: Documenting Models, Data, and Training Pipelines

• خوش‌آمدگویی و ویدیو معرفی درس Welcome & Lesson Introduction Video

• نحوه نوشتن توصیفات واضح از معماری مدل How to Write Clear Model Architecture Descriptions

• نوشتن مستندات مراحل آموزش که مورد اعتماد مهندسان باشد Writing Training Procedure Documentation That Engineers Trust

مستندسازی هوش مصنوعی: نوشتن پروژه و API: نوشتن مستندات توسعه‌دهنده برای APIها و یکپارچه‌سازی سیستم Document AI: Project & API Writing: Writing Developer-Facing Docs for APIs and System Integration

• چرا مستندات API در مهندسی ML اهمیت دارد Why API Documentation Matters in ML Engineering

• نوشتن مستندات موثر برای APIهای پیش‌بینی Writing Effective Prediction API Docs

• مستندسازی رفتار سیستم: خطاها، تلاش‌های مجدد و موارد خاص Documenting System Behavior: Errors, Retries, and Edge Cases

اتوماسیون و ارزیابی تست‌های خط لوله ML: طراحی موارد تست موثر برای خط لوله‌های ML Automate and Evaluate ML Pipeline Tests: Designing Effective Test Cases for ML Pipelines

• خوش‌آمدگویی و اهمیت تست‌های ML Welcome + Why ML Tests Matter

• چرا خط لوله‌های ML بدون تست‌های ساختاریافته شکست می‌خورند Why ML Pipelines Fail Without Structured Tests

• طراحی موارد تست در سطح ویژگی برای شناسایی Drift Designing Feature-Level Test Cases for Drift

اتوماسیون و ارزیابی تست‌های خط لوله ML: خودکارسازی تست‌های رگرسیون برای خروجی‌های پایدار مدل Automate and Evaluate ML Pipeline Tests: Automating Regression Tests for Stable Model Outputs

• مجموعه تست رگرسیون چه کاری انجام می‌دهد What a Regression Suite Does

• راه‌اندازی اجرای شبانه Pytest Setting Up Nightly Pytest Runs

• یکپارچه‌سازی بررسی‌های Drift در مجموعه‌های رگرسیون Integrating Drift Checks Into Regression Suites

پروژه: بسته‌بندی، تست و سرویس‌دهی یک API پیش‌بینی ریزش مشتری Project: Package, Test, and Serve a Churn Prediction API