آموزش استقرار مدل های یادگیری ماشینی

Deployment of Machine Learning Models

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: بیاموزید چگونه خط لوله های یادگیری ماشینی قوی و قابل اعتماد را در تولید ادغام کنید API های مدل یادگیری ماشین بسازید و مدل ها را در فضای ابری استقرار دهید. استقرار مدل‌های خود را درک کنید معماری بهینه یادگیری ماشین را درک کنید منابع مختلف موجود برای تولید مدل‌های خود را شناسایی و چالش‌های قرار دادن مدل‌ها در تولید را کاهش دهید. -آشنایی با استفاده از IDE ها مانند Pycharm، Sublime، Spyder یا موارد مشابه آشنایی با نوشتن اسکریپت های پایتون و اجرای آن ها از رابط خط فرمان، دانش دستورات اولیه git، از جمله کلون، فورک، ایجاد شعبه و بررسی شاخه، دانش گیت پایه. دستورات، از جمله وضعیت git، git add، git commit، git pull، git push دانش دستورات اولیه CLI، از جمله پیمایش پوشه‌ها و استفاده از Git و Python از دانش CLI از رگرسیون خطی و معیارهای ارزیابی مدل مانند MSE و R2

به استقرار مدل‌های یادگیری ماشین، جامع‌ترین دوره آنلاین استقرار یادگیری ماشین که تا به امروز موجود است، خوش آمدید. این دوره به شما نشان می‌دهد که چگونه مدل‌های یادگیری ماشین خود را از محیط تحقیق به یک محیط تولید کاملاً یکپارچه ببرید.


استقرار مدل چیست؟

استقرار مدل‌های یادگیری ماشینی، یا به‌طور ساده، قرار دادن مدل‌ها در تولید، به معنای در دسترس قرار دادن مدل‌های خود برای سایر سیستم‌های درون سازمان یا وب است تا بتوانند داده‌ها را دریافت کرده و پیش‌بینی‌های خود را برگردانند. از طریق استقرار مدل‌های یادگیری ماشین، می‌توانید استفاده کامل از مدلی را که ساخته‌اید شروع کنید.


این دوره برای چه کسانی است؟

  • اگر به‌تازگی اولین مدل‌های یادگیری ماشینی خود را ساخته‌اید و می‌خواهید بدانید چگونه آنها را به تولید ببرید یا در یک API مستقر کنید،

  • اگر چند مدل را در سازمان خود مستقر کرده‌اید و می‌خواهید درباره بهترین شیوه‌های استقرار مدل بیشتر بدانید،

  • اگر توسعه‌دهنده نرم‌افزار مشتاقی هستید که می‌خواهید در استقرار خطوط لوله یادگیری ماشینی کاملاً یکپارچه قدم بگذارید،

این دوره به شما نشان می دهد که چگونه.


چه چیزی یاد خواهید گرفت؟

ما شما را گام به گام از طریق آموزش‌های ویدیویی جذاب راهنمایی می‌کنیم و همه چیزهایی را که برای شروع ایجاد یک مدل در محیط تحقیق نیاز دارید به شما آموزش می‌دهیم و سپس نوت‌بوک‌های Jupyter را به کد تولید تبدیل می‌کنیم، کد را بسته‌بندی می‌کنیم و به کار می‌گیریم. به یک API، و یکپارچه سازی مداوم و تحویل مداوم را اضافه کنید. ما در مورد مفهوم تکرارپذیری، چرایی اهمیت آن و چگونگی به حداکثر رساندن تکرارپذیری در حین استقرار، از طریق نسخه‌سازی، مخازن کد و استفاده از داکر بحث خواهیم کرد. و همچنین در مورد ابزارها و پلتفرم های موجود برای استقرار مدل های یادگیری ماشین بحث خواهیم کرد.

به طور خاص، یاد خواهید گرفت:

  • مراحل مربوط به خط لوله یادگیری ماشین معمولی

  • چگونه یک دانشمند داده در محیط تحقیق کار می کند

  • نحوه تبدیل کد موجود در نوت بوک های Jupyter به کد تولید

  • نحوه نوشتن کد تولید، از جمله مقدمه آزمایش‌ها، گزارش‌گیری و OOP

  • نحوه استقرار مدل و ارائه پیش‌بینی‌ها از یک API

  • نحوه ایجاد یک بسته پایتون

  • نحوه استقرار در یک محیط تولید واقعی

  • نحوه استفاده از docker برای کنترل نرم افزار و نسخه های مدل

  • نحوه افزودن یک لایه CI/CD

  • نحوه تعیین اینکه مدل مستقر مدل ایجاد شده در محیط تحقیق را بازتولید می کند

در پایان دوره شما یک مرور کلی از کل چرخه عمر تحقیق، توسعه و استقرار یک مدل یادگیری ماشینی خواهید داشت و بهترین شیوه های کدنویسی و مواردی را که باید برای قرار دادن یک مدل در تولید در نظر بگیرید، درک خواهید کرد. شما همچنین درک بهتری از ابزارهای در دسترس خود برای استقرار مدل‌های خود خواهید داشت، و در موقعیت مناسبی قرار خواهید داشت تا مدل‌ها را در هر جهتی که نیازهای سازمان شما را تامین می‌کند، پیش ببرید.


چه چیز دیگری باید بدانید؟

این دوره به شما کمک می‌کند اولین قدم‌ها را در جهت تولید مدل‌های خود بردارید. شما یاد خواهید گرفت که چگونه از یک نوت بوک Jupyter به یک مدل یادگیری ماشینی به طور کامل مستقر شوید، با در نظر گرفتن CI/CD، و استقرار در پلتفرم ها و زیرساخت های ابری.

اما، موارد بیشتری برای استقرار مدل وجود دارد، مانند نظارت بر مدل، هماهنگی استقرار پیشرفته با Kubernetes، و گردش‌های کاری برنامه‌ریزی‌شده با Airflow، و همچنین الگوهای آزمایشی مختلف مانند استقرار سایه‌ای که در این دوره پوشش داده نشده است.


آیا می خواهید بیشتر بدانید؟ ادامه مطلب...

این دوره جامع در مورد استقرار مدل‌های یادگیری ماشینی شامل بیش از 100 سخنرانی است که حدود 10 ساعت ویدیو را شامل می‌شود و همه موضوعات شامل نمونه‌های کد پایتون عملی است که می‌توانید برای مرجع و استفاده مجدد در پروژه‌های خود استفاده کنید.

علاوه بر این، اکنون در هر بخش یک تکلیف گنجانده ایم که در آن می توانید آنچه را که یاد گرفته اید برای استقرار یک مدل جدید بازتولید کنید.

پس منتظر چه چیزی هستید؟ همین امروز ثبت نام کنید، یاد بگیرید که چگونه مدل های خود را در مرحله تولید قرار دهید و شروع به استخراج ارزش واقعی آنها کنید.


سرفصل ها و درس ها

معرفی Introduction

  • معرفی دوره Introduction to the course

  • مروری بر برنامه درسی دوره Course curriculum overview

  • الزامات دوره Course requirements

  • راه اندازی کامپیوتر شما Setting up your computer

  • مواد دوره Course Material

  • کد The code

  • ارائه ها Presentations

  • مجموعه داده را دانلود کنید Download Dataset

  • منابع اضافی برای مهارت های مورد نیاز Additional Resources for the required skills

  • نحوه نزدیک شدن به دوره How to approach the course

معرفی Introduction

  • معرفی دوره Introduction to the course

  • مروری بر برنامه درسی دوره Course curriculum overview

  • الزامات دوره Course requirements

  • راه اندازی کامپیوتر شما Setting up your computer

  • مواد دوره Course Material

  • کد The code

  • ارائه ها Presentations

  • مجموعه داده را دانلود کنید Download Dataset

  • منابع اضافی برای مهارت های مورد نیاز Additional Resources for the required skills

  • نحوه نزدیک شدن به دوره How to approach the course

مروری بر استقرار مدل Overview of Model Deployment

  • استقرار مدل های یادگیری ماشین Deployments of Machine Learning Models

  • استقرار خطوط لوله یادگیری ماشین Deployment of Machine Learning Pipelines

  • محیط تحقیق و تولید Research and Production Environment

  • ساخت خطوط لوله یادگیری ماشینی تکرارپذیر Building Reproducible Machine Learning Pipelines

  • چالش‌های تکرارپذیری Challenges to Reproducibility

  • ساده سازی استقرار مدل با منبع باز Streamlining Model Deployment with Open-Source

  • منابع خواندنی اضافی Additional Reading Resources

مروری بر استقرار مدل Overview of Model Deployment

  • استقرار مدل های یادگیری ماشین Deployments of Machine Learning Models

  • استقرار خطوط لوله یادگیری ماشین Deployment of Machine Learning Pipelines

  • محیط تحقیق و تولید Research and Production Environment

  • ساخت خطوط لوله یادگیری ماشینی تکرارپذیر Building Reproducible Machine Learning Pipelines

  • چالش‌های تکرارپذیری Challenges to Reproducibility

  • ساده سازی استقرار مدل با منبع باز Streamlining Model Deployment with Open-Source

  • منابع خواندنی اضافی Additional Reading Resources

معماری سیستم یادگیری ماشین Machine Learning System Architecture

  • معماری سیستم یادگیری ماشین و چرایی اهمیت آن Machine Learning System Architecture and Why it Matters

  • چالش های خاص سیستم های یادگیری ماشینی Specific Challenges of Machine Learning Systems

  • اصول سیستم های یادگیری ماشینی Principles for Machine Learning Systems

  • رویکردهای معماری سیستم یادگیری ماشین Machine Learning System Architecture Approaches

  • تجزیه اجزای سیستم یادگیری ماشین Machine Learning System Component Breakdown

  • منابع خواندنی اضافی Additional Reading Resources

معماری سیستم یادگیری ماشین Machine Learning System Architecture

  • معماری سیستم یادگیری ماشین و چرایی اهمیت آن Machine Learning System Architecture and Why it Matters

  • چالش های خاص سیستم های یادگیری ماشینی Specific Challenges of Machine Learning Systems

  • اصول سیستم های یادگیری ماشینی Principles for Machine Learning Systems

  • رویکردهای معماری سیستم یادگیری ماشین Machine Learning System Architecture Approaches

  • تجزیه اجزای سیستم یادگیری ماشین Machine Learning System Component Breakdown

  • منابع خواندنی اضافی Additional Reading Resources

محیط تحقیق - توسعه یک مدل یادگیری ماشینی Research Environment - Developing a Machine Learning Model

  • محیط تحقیق - مروری بر فرآیند Research Environment - Process Overview

  • بررسی اجمالی خط لوله یادگیری ماشین Machine Learning Pipeline Overview

  • مهندسی ویژگی - ویژگی های متغیر Feature Engineering - Variable Characteristics

  • تکنیک های مهندسی ویژگی Feature Engineering Techniques

  • انتخاب ویژگی Feature Selection

  • آموزش یک مدل یادگیری ماشینی Training a Machine Learning Model

  • محیط تحقیق - بخش دوم Research environment - second part

  • کدی که در این بخش پوشش داده شده است Code covered in this section

  • نسخه های کتابخانه پایتون Python library versions

  • آزمایشی تجزیه و تحلیل داده ها - داده های از دست رفته Data analysis demo - missing data

  • تجزیه و تحلیل داده های آزمایشی - متغیرهای زمانی Data analysis demo - temporal variables

  • تجزیه و تحلیل داده ها با متغیرهای عددی Data analysis demo - numerical variables

  • تجزیه و تحلیل داده ها متغیرهای نمایشی - طبقه ای Data analysis demo - categorical variables

  • نسخه ی نمایشی مهندسی ویژگی 1 Feature engineering demo 1

  • نسخه ی نمایشی مهندسی ویژگی 2 Feature engineering demo 2

  • نسخه ی نمایشی انتخاب ویژگی Feature selection demo

  • دمو آموزش مدل Model training demo

  • یک خط لوله یادگیری ماشین ایجاد کنید Create a Machine Learning Pipeline

  • داده های جدید را با مدل قیمت مسکن به دست آورید Score new data with the house price model

  • امتیازدهی داده های جدید با مدل ما Scoring new data with our model

  • محیط تحقیق - بخش سوم Research environment - third part

  • منبع باز پایتون برای یادگیری ماشین Python Open Source for Machine Learning

  • کتابخانه های منبع باز برای مهندسی ویژگی Open Source Libraries for Feature Engineering

  • مهندسی ویژگی با نسخه ی نمایشی منبع باز Feature engineering with open source demo

  • محیط تحقیق - قسمت چهارم Research environment - fourth part

  • مقدمه ای بر برنامه نویسی شی گرا Intro to Object Oriented Programing

  • وراثت و Scikit-learn API Inheritance and the Scikit-learn API

  • ترانسفورماتورهای سازگار با Scikit-Learn ایجاد کنید Create Scikit-Learn compatible transformers

  • ترانسفورماتورهایی ایجاد کنید که پارامترها را یاد بگیرند Create transformers that learn parameters

  • ویژگی نسخه ی نمایشی خط لوله مهندسی Feature engineering pipeline demo

  • آیا انتخاب ویژگی باید بخشی از خط لوله باشد؟ Should feature selection be part of the pipeline?

  • محیط تحقیق - بخش پایانی Research environment - final section

  • آماده شدن برای استقرار - خط لوله نهایی Getting Ready for Deployment - Final Pipeline

  • خط لوله انتها به انتها را برای طبقه بندی ایجاد کنید Create and end to end Pipeline for Classification

  • پاداش: منابع اضافی در Scikit-Learn Bonus: Additional Resources on Scikit-Learn

محیط تحقیق - توسعه یک مدل یادگیری ماشینی Research Environment - Developing a Machine Learning Model

  • محیط تحقیق - مروری بر فرآیند Research Environment - Process Overview

  • بررسی اجمالی خط لوله یادگیری ماشین Machine Learning Pipeline Overview

  • مهندسی ویژگی - ویژگی های متغیر Feature Engineering - Variable Characteristics

  • تکنیک های مهندسی ویژگی Feature Engineering Techniques

  • انتخاب ویژگی Feature Selection

  • آموزش یک مدل یادگیری ماشینی Training a Machine Learning Model

  • محیط تحقیق - بخش دوم Research environment - second part

  • کدی که در این بخش پوشش داده شده است Code covered in this section

  • نسخه های کتابخانه پایتون Python library versions

  • آزمایشی تجزیه و تحلیل داده ها - داده های از دست رفته Data analysis demo - missing data

  • تجزیه و تحلیل داده های آزمایشی - متغیرهای زمانی Data analysis demo - temporal variables

  • تجزیه و تحلیل داده ها با متغیرهای عددی Data analysis demo - numerical variables

  • تجزیه و تحلیل داده ها متغیرهای نمایشی - طبقه ای Data analysis demo - categorical variables

  • نسخه ی نمایشی مهندسی ویژگی 1 Feature engineering demo 1

  • نسخه ی نمایشی مهندسی ویژگی 2 Feature engineering demo 2

  • نسخه ی نمایشی انتخاب ویژگی Feature selection demo

  • دمو آموزش مدل Model training demo

  • یک خط لوله یادگیری ماشین ایجاد کنید Create a Machine Learning Pipeline

  • داده های جدید را با مدل قیمت مسکن به دست آورید Score new data with the house price model

  • امتیازدهی داده های جدید با مدل ما Scoring new data with our model

  • محیط تحقیق - بخش سوم Research environment - third part

  • منبع باز پایتون برای یادگیری ماشین Python Open Source for Machine Learning

  • کتابخانه های منبع باز برای مهندسی ویژگی Open Source Libraries for Feature Engineering

  • مهندسی ویژگی با نسخه ی نمایشی منبع باز Feature engineering with open source demo

  • محیط تحقیق - قسمت چهارم Research environment - fourth part

  • مقدمه ای بر برنامه نویسی شی گرا Intro to Object Oriented Programing

  • وراثت و Scikit-learn API Inheritance and the Scikit-learn API

  • ترانسفورماتورهای سازگار با Scikit-Learn ایجاد کنید Create Scikit-Learn compatible transformers

  • ترانسفورماتورهایی ایجاد کنید که پارامترها را یاد بگیرند Create transformers that learn parameters

  • ویژگی نسخه ی نمایشی خط لوله مهندسی Feature engineering pipeline demo

  • آیا انتخاب ویژگی باید بخشی از خط لوله باشد؟ Should feature selection be part of the pipeline?

  • محیط تحقیق - بخش پایانی Research environment - final section

  • آماده شدن برای استقرار - خط لوله نهایی Getting Ready for Deployment - Final Pipeline

  • خط لوله انتها به انتها را برای طبقه بندی ایجاد کنید Create and end to end Pipeline for Classification

  • پاداش: منابع اضافی در Scikit-Learn Bonus: Additional Resources on Scikit-Learn

بسته بندی مدلی برای تولید Packaging The Model for Production

  • مقدمه ای بر کد تولید Introduction to Production Code

  • مخزن این بخش Repo for this section

  • نمای کلی کد Code Overview

  • درک استدلال پشت ساختار کد محصول Understanding the Reasoning Behind the Prod Code Structure

  • یادآوری: داده های Kaggle را دانلود کنید Reminder: Download the Kaggle Data

  • فایل های مورد نیاز بسته Package Requirements Files

  • کار با سم [از آن نگذرید - مهم است] Working with tox [Do NOT skip - important]

  • مهاجرت از Tox 3 به Tox 4 Migrating from Tox 3 to Tox 4

  • عیب یابی Tox Troubleshooting Tox

  • پیکربندی بسته Package Config

  • اسکریپت و خط لوله آموزشی مدل The Model Training Script & Pipeline

  • مقدمه ای بر Pytest [اختیاری] Introduction to Pytest [Optional]

  • کد مهندسی ویژگی در بسته Feature Engineering Code in the Package

  • پیش بینی با بسته Making Predictions with the Package

  • ساخت پکیج Building the Package

  • ابزار سازی Tooling

  • در حال انجام وظیفه: مدل طبقه بندی تایتانیک را برای تولید آماده کنید Hands On Assignment: Get The Titanic Classification Model Ready for Prod

  • بخش یادداشت ها و مطالعه بیشتر Section Notes & Further Reading

بسته بندی مدلی برای تولید Packaging The Model for Production

  • مقدمه ای بر کد تولید Introduction to Production Code

  • مخزن این بخش Repo for this section

  • نمای کلی کد Code Overview

  • درک استدلال پشت ساختار کد محصول Understanding the Reasoning Behind the Prod Code Structure

  • یادآوری: داده های Kaggle را دانلود کنید Reminder: Download the Kaggle Data

  • فایل های مورد نیاز بسته Package Requirements Files

  • کار با سم [از آن نگذرید - مهم است] Working with tox [Do NOT skip - important]

  • مهاجرت از Tox 3 به Tox 4 Migrating from Tox 3 to Tox 4

  • عیب یابی Tox Troubleshooting Tox

  • پیکربندی بسته Package Config

  • اسکریپت و خط لوله آموزشی مدل The Model Training Script & Pipeline

  • مقدمه ای بر Pytest [اختیاری] Introduction to Pytest [Optional]

  • کد مهندسی ویژگی در بسته Feature Engineering Code in the Package

  • پیش بینی با بسته Making Predictions with the Package

  • ساخت پکیج Building the Package

  • ابزار سازی Tooling

  • در حال انجام وظیفه: مدل طبقه بندی تایتانیک را برای تولید آماده کنید Hands On Assignment: Get The Titanic Classification Model Ready for Prod

  • بخش یادداشت ها و مطالعه بیشتر Section Notes & Further Reading

سرویس و استقرار مدل از طریق REST API Serving and Deploying the model via REST API

  • اجرای API به صورت محلی Running the API Locally

  • آشنایی با معماری API Understanding the Architecture of the API

  • مقدمه ای بر FastAPI Introduction to FastAPI

  • نقاط پایانی API The API Endpoints

  • استفاده از طرحواره ها در API ما Using Schemas in our API

  • ورود به برنامه ما Logging in our Application

  • وب سرور Uvicorn The Uvicorn Web Server

  • معرفی اپلیکیشن و پلتفرم راه آهن به عنوان یک سرویس Introducing Railway App and Platform as a Service

  • پلتفرم به عنوان سرویس (PaaS) چیست؟ What Is a Platform as a Service (PaaS)?

  • چرا از راه آهن به عنوان PaaS خود استفاده کنیم؟ Why Use Railway as Our PaaS?

  • پیوندهای راه آهن Railway Links

  • استقرار برنامه ML ما در راه آهن - Hands On Deploying our ML Application to Railway - Hands On

  • محدودیت‌هایی که باید از آن آگاه باشید و به پایان برسانید Limitations to Be Aware Of & Wrap Up

  • بخش یادداشت ها و مطالعه بیشتر Section Notes & Further Reading

سرویس و استقرار مدل از طریق REST API Serving and Deploying the model via REST API

  • اجرای API به صورت محلی Running the API Locally

  • آشنایی با معماری API Understanding the Architecture of the API

  • مقدمه ای بر FastAPI Introduction to FastAPI

  • نقاط پایانی API The API Endpoints

  • استفاده از طرحواره ها در API ما Using Schemas in our API

  • ورود به برنامه ما Logging in our Application

  • وب سرور Uvicorn The Uvicorn Web Server

  • معرفی اپلیکیشن و پلتفرم راه آهن به عنوان یک سرویس Introducing Railway App and Platform as a Service

  • پلتفرم به عنوان سرویس (PaaS) چیست؟ What Is a Platform as a Service (PaaS)?

  • چرا از راه آهن به عنوان PaaS خود استفاده کنیم؟ Why Use Railway as Our PaaS?

  • پیوندهای راه آهن Railway Links

  • استقرار برنامه ML ما در راه آهن - Hands On Deploying our ML Application to Railway - Hands On

  • محدودیت‌هایی که باید از آن آگاه باشید و به پایان برسانید Limitations to Be Aware Of & Wrap Up

  • بخش یادداشت ها و مطالعه بیشتر Section Notes & Further Reading

خطوط لوله یکپارچه سازی و استقرار مداوم Continuous Integration and Deployment Pipelines

  • مقدمه ای بر CI/CD Introduction to CI/CD

  • راه اندازی CircleCI Setting up CircleCI

  • بررسی اجمالی اتوماسیون CI/CD قسمت 1 CI/CD Automation Overview Part 1

  • توضیح تنظیمات CI/CD CI/CD Config Explanation

  • بررسی اجمالی اتوماسیون CI/CD قسمت 2 CI/CD Automation Overview Part 2

  • استفاده از یک سرور شاخص خصوصی (Gemfury) Using a Private Index Server (Gemfury)

  • دست در دست: تست های CI را در Github Fork خود اجرا کنید Hands on: Run the CI Tests in your own Github Fork

  • دست در دست: CI Deploy را روی Github Fork خودتان اجرا کنید Hands on: Run the CI Deploy on Your Own Github Fork

  • دست در دست: CI Publish را روی Github Fork خودتان اجرا کنید Hands on: Run the CI Publish on Your Own Github Fork

  • بخش یادداشت ها و مطالعه بیشتر Section Notes & Further Reading

خطوط لوله یکپارچه سازی و استقرار مداوم Continuous Integration and Deployment Pipelines

  • مقدمه ای بر CI/CD Introduction to CI/CD

  • راه اندازی CircleCI Setting up CircleCI

  • بررسی اجمالی اتوماسیون CI/CD قسمت 1 CI/CD Automation Overview Part 1

  • توضیح تنظیمات CI/CD CI/CD Config Explanation

  • بررسی اجمالی اتوماسیون CI/CD قسمت 2 CI/CD Automation Overview Part 2

  • استفاده از یک سرور شاخص خصوصی (Gemfury) Using a Private Index Server (Gemfury)

  • دست در دست: تست های CI را در Github Fork خود اجرا کنید Hands on: Run the CI Tests in your own Github Fork

  • دست در دست: CI Deploy را روی Github Fork خودتان اجرا کنید Hands on: Run the CI Deploy on Your Own Github Fork

  • دست در دست: CI Publish را روی Github Fork خودتان اجرا کنید Hands on: Run the CI Publish on Your Own Github Fork

  • بخش یادداشت ها و مطالعه بیشتر Section Notes & Further Reading

استقرار API ML با کانتینرها Deploying The ML API With Containers

  • Docker Refresher [اختیاری - برای کسانی که با Docker آشنایی ندارند/زنگ زده اند] Docker Refresher [Optional - For those unfamiliar/rusty with Docker]

  • ارزش داکر و کانتینرها The Value of Docker and Containers

  • آشنایی با فرآیند استقرار کانتینر Understanding The Container Deployment Process

  • Docker Install Setup Docker Install Setup

  • Hands On: Containering App به صورت محلی Hands On: Containerising the App Locally

  • به روز رسانی خط لوله CI برای استقرار کانتینر Updating the CI Pipeline for a Container Deployment

  • بخش یادداشت ها و مطالعه بیشتر Section Notes & Further Reading

استقرار API ML با کانتینرها Deploying The ML API With Containers

  • Docker Refresher [اختیاری - برای کسانی که با Docker آشنایی ندارند/زنگ زده اند] Docker Refresher [Optional - For those unfamiliar/rusty with Docker]

  • ارزش داکر و کانتینرها The Value of Docker and Containers

  • آشنایی با فرآیند استقرار کانتینر Understanding The Container Deployment Process

  • Docker Install Setup Docker Install Setup

  • Hands On: Containering App به صورت محلی Hands On: Containerising the App Locally

  • به روز رسانی خط لوله CI برای استقرار کانتینر Updating the CI Pipeline for a Container Deployment

  • بخش یادداشت ها و مطالعه بیشتر Section Notes & Further Reading

تست دیفرانسیل Differential Testing

  • توجه!!! - این بخش همچنان با نسخه قدیمی کد کار می کند Attention !!! - This section still works with old version of code

  • نحوه استفاده از منابع دوره How to Use the Course Resources

  • 9.1 - مقدمه 9.1 - Introduction

  • 9.2 - راه اندازی تست های دیفرانسیل 9.2 - Setting up Differential Tests

  • 9.3 - تست های دیفرانسیل در CI (قسمت 1 از 2) 9.3 - Differential Tests in CI (Part 1 of 2)

  • 9.4 - تست های دیفرانسیل در CI (قسمت 2 از 2) 9.4 - Differential Tests in CI (Part 2 of 2)

  • 9.5 جمع کردن 9.5 Wrap Up

تست دیفرانسیل Differential Testing

  • توجه!!! - این بخش همچنان با نسخه قدیمی کد کار می کند Attention !!! - This section still works with old version of code

  • نحوه استفاده از منابع دوره How to Use the Course Resources

  • 9.1 - مقدمه 9.1 - Introduction

  • 9.2 - راه اندازی تست های دیفرانسیل 9.2 - Setting up Differential Tests

  • 9.3 - تست های دیفرانسیل در CI (قسمت 1 از 2) 9.3 - Differential Tests in CI (Part 1 of 2)

  • 9.4 - تست های دیفرانسیل در CI (قسمت 2 از 2) 9.4 - Differential Tests in CI (Part 2 of 2)

  • 9.5 جمع کردن 9.5 Wrap Up

استقرار در IaaS (AWS ECS) Deploying to IaaS (AWS ECS)

  • توجه!!! در حال حاضر در حال به روز رسانی این بخش هستیم Attention!!! We are currently updating this section

  • 12.1 - مقدمه ای بر AWS 12.1 - Introduction to AWS

  • 12.2 - هزینه های AWS و احتیاط 12.2 - AWS Costs and Caution

  • 12.3a - معرفی AWS ECS 12.3a - Intro to AWS ECS

  • 12.3b - گزینه های ارکستراسیون کانتینر: Kubernetes، ECS، Docker Swarm 12.3b - Container Orchestration Options: Kubernetes, ECS, Docker Swarm

  • 12.4 - یک حساب AWS ایجاد کنید 12.4 - Create an AWS Account

  • 12.5 - تنظیم مجوزها با IAM 12.5 - Setting Permissions with IAM

  • 12.6 - نصب AWS CLI 12.6 - Installing the AWS CLI

  • 12.7 - پیکربندی AWS CLI 12.7 - Configuring the AWS CLI

  • 12.8 - معرفی رجیستری ظروف الاستیک (ECR) 12.8 - Intro the Elastic Container Registry (ECR)

  • 12.9 - آپلود تصاویر در رجیستری کانتینر الاستیک (ECR) 12.9 - Uploading Images to the Elastic Container Registry (ECR)

  • 12.10 - ایجاد خوشه ECS با روش پرتاب Fargate 12.10 - Creating the ECS Cluster with Fargate Launch Method

  • 12.11 - به روز رسانی ظروف خوشه 12.11 - Updating the Cluster Containers

  • 12.12 - از بین بردن ECS Cluster 12.12 - Tearing down the ECS Cluster

  • 12.13 - استقرار به ECS از طریق خط لوله CI 12.13 - Deploying to ECS via the CI pipeline

  • 12.14 - جمع کردن 12.14 - Wrap Up

استقرار در IaaS (AWS ECS) Deploying to IaaS (AWS ECS)

  • توجه!!! در حال حاضر در حال به روز رسانی این بخش هستیم Attention!!! We are currently updating this section

  • 12.1 - مقدمه ای بر AWS 12.1 - Introduction to AWS

  • 12.2 - هزینه های AWS و احتیاط 12.2 - AWS Costs and Caution

  • 12.3a - معرفی AWS ECS 12.3a - Intro to AWS ECS

  • 12.3b - گزینه های ارکستراسیون کانتینر: Kubernetes، ECS، Docker Swarm 12.3b - Container Orchestration Options: Kubernetes, ECS, Docker Swarm

  • 12.4 - یک حساب AWS ایجاد کنید 12.4 - Create an AWS Account

  • 12.5 - تنظیم مجوزها با IAM 12.5 - Setting Permissions with IAM

  • 12.6 - نصب AWS CLI 12.6 - Installing the AWS CLI

  • 12.7 - پیکربندی AWS CLI 12.7 - Configuring the AWS CLI

  • 12.8 - معرفی رجیستری ظروف الاستیک (ECR) 12.8 - Intro the Elastic Container Registry (ECR)

  • 12.9 - آپلود تصاویر در رجیستری کانتینر الاستیک (ECR) 12.9 - Uploading Images to the Elastic Container Registry (ECR)

  • 12.10 - ایجاد خوشه ECS با روش پرتاب Fargate 12.10 - Creating the ECS Cluster with Fargate Launch Method

  • 12.11 - به روز رسانی ظروف خوشه 12.11 - Updating the Cluster Containers

  • 12.12 - از بین بردن ECS Cluster 12.12 - Tearing down the ECS Cluster

  • 12.13 - استقرار به ECS از طریق خط لوله CI 12.13 - Deploying to ECS via the CI pipeline

  • 12.14 - جمع کردن 12.14 - Wrap Up

یک مدل یادگیری عمیق با داده های بزرگ A Deep Learning Model with Big Data

  • چالش های استفاده از داده های بزرگ در یادگیری ماشینی Challenges of using Big Data in Machine Learning

  • نصب Keras Installing Keras

  • مجموعه داده را دانلود کنید Download the data set

  • مقدمه ای بر مجموعه داده های بزرگ - تصاویر نهال های گیاهی Introduction to a Large Dataset - Plant Seedlings Images

  • ساخت CNN در محیط تحقیقاتی Building a CNN in the Research Environment

  • کد تولید برای خط لوله یادگیری CNN Production Code for a CNN Learning Pipeline

  • تکرارپذیری در شبکه های عصبی Reproducibility in Neural Networks

  • تنظیم دانه برای Keras Setting the Seed for Keras

  • Seed for Neural Networks - منابع خواندنی اضافی Seed for Neural Networks - Additional reading resources

  • 13.8 - بسته بندی CNN 13.8 - Packaging the CNN

  • 13.9 - افزودن CNN به API 13.9 - Adding the CNN to the API

  • 13.10 - ملاحظات اضافی و جمع بندی 13.10 - Additional Considerations and Wrap Up

یک مدل یادگیری عمیق با داده های بزرگ A Deep Learning Model with Big Data

  • چالش های استفاده از داده های بزرگ در یادگیری ماشینی Challenges of using Big Data in Machine Learning

  • نصب Keras Installing Keras

  • مجموعه داده را دانلود کنید Download the data set

  • مقدمه ای بر مجموعه داده های بزرگ - تصاویر نهال های گیاهی Introduction to a Large Dataset - Plant Seedlings Images

  • ساخت CNN در محیط تحقیقاتی Building a CNN in the Research Environment

  • کد تولید برای خط لوله یادگیری CNN Production Code for a CNN Learning Pipeline

  • تکرارپذیری در شبکه های عصبی Reproducibility in Neural Networks

  • تنظیم دانه برای Keras Setting the Seed for Keras

  • Seed for Neural Networks - منابع خواندنی اضافی Seed for Neural Networks - Additional reading resources

  • 13.8 - بسته بندی CNN 13.8 - Packaging the CNN

  • 13.9 - افزودن CNN به API 13.9 - Adding the CNN to the API

  • 13.10 - ملاحظات اضافی و جمع بندی 13.10 - Additional Considerations and Wrap Up

مشکلات رایج در حین استقرار یافت می شود Common Issues found during deployment

  • عیب یابی Troubleshooting

مشکلات رایج در حین استقرار یافت می شود Common Issues found during deployment

  • عیب یابی Troubleshooting

پیوست: بخش قبلی: ارائه مدل از طریق REST API Appendix: Former Section: Serving the model via REST API

  • ضمیمه - لطفا بخوانید Appendix - PLEASE READ

  • 7.1 - مقدمه 7.1 - Introduction

  • پرایمر در Monorepos Primer on Monorepos

  • 7.2 - ایجاد اسکلت API 7.2 - Creating the API Skeleton

  • 7.2b - Note On Flask 7.2b - Note On Flask

  • 7.3 - اضافه کردن پیکربندی و ورود به سیستم 7.3 - Adding Config and Logging

  • 7.4 - افزودن نقطه پایانی پیش بینی 7.4 - Adding the Prediction Endpoint

  • 7.5 - افزودن نقطه پایانی نسخه 7.5 - Adding a Version Endpoint

  • 7.6 - اعتبار سنجی طرحواره API 7.6 - API Schema Validation

  • 7.7 - جمع کردن 7.7 - Wrap Up

پیوست: بخش قبلی: ارائه مدل از طریق REST API Appendix: Former Section: Serving the model via REST API

  • ضمیمه - لطفا بخوانید Appendix - PLEASE READ

  • 7.1 - مقدمه 7.1 - Introduction

  • پرایمر در Monorepos Primer on Monorepos

  • 7.2 - ایجاد اسکلت API 7.2 - Creating the API Skeleton

  • 7.2b - Note On Flask 7.2b - Note On Flask

  • 7.3 - اضافه کردن پیکربندی و ورود به سیستم 7.3 - Adding Config and Logging

  • 7.4 - افزودن نقطه پایانی پیش بینی 7.4 - Adding the Prediction Endpoint

  • 7.5 - افزودن نقطه پایانی نسخه 7.5 - Adding a Version Endpoint

  • 7.6 - اعتبار سنجی طرحواره API 7.6 - API Schema Validation

  • 7.7 - جمع کردن 7.7 - Wrap Up

بخش پایانی Final Section

  • تبریک می گویم Congratulations

  • سخنرانی پاداش Bonus lecture

بخش پایانی Final Section

  • تبریک می گویم Congratulations

  • سخنرانی پاداش Bonus lecture

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

آموزش استقرار مدل های یادگیری ماشینی
جزییات دوره
10.5 hours
151
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
29,408
4.5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Soledad Galli Soledad Galli

دانشمند داده | مربی | توسعه دهنده نرم افزار

Christopher Samiullah Christopher Samiullah

مهندس یادگیری ماشین