لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
ابزارهای MLOps: آموزش MLflow و Hugging Face
- آخرین آپدیت
دانلود MLOps Tools: MLflow and Hugging Face
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره آموزشی به بررسی دو مورد از محبوبترین پلتفرمهای متنباز برای MLOps (عملیات یادگیری ماشین) یعنی MLflow و Hugging Face میپردازد. ما مفاهیم بنیادی مورد نیاز برای شروع کار در این پلتفرمها، از جمله عملیاتهای پایه روی مدلها و مجموعهدادهها (Dataset) را بررسی خواهیم کرد. شما ابتدا با MLflow شروع میکنید و نحوه استفاده از پروژهها و مدلها را با سیستم ردیابی (Tracking) قدرتمند آن میآموزید و با مثالهای جامع از چرخه حیات کامل، نحوه تعامل با مدلهای ثبت شده در MLflow را فرا خواهید گرفت. سپس، مخازن Hugging Face را بررسی میکنید تا بتوانید مجموعهدادهها و مدلهای خود را ذخیره کرده و دموهای تعاملی زنده ایجاد کنید.
در پایان این دوره، شما قادر خواهید بود مفاهیم MLOps مانند Fine-tuning (تنظیم دقیق) و استقرار مدلهای کانتینری در فضای ابری (Cloud) را پیادهسازی کنید. این دوره برای هر کسی که قصد ورود به حوزه MLOps را دارد و یا متخصصان باتجربه MLOps که میخواهند مهارتهای برنامهنویسی خود را ارتقا دهند، ایدهآل است.
سرفصل ها و درس ها
مقدمهای بر MLflow
Introduction to MLflow
آشنایی با مدرس دوره: Alfredo Deza
Meet your Course Instructor: Alfredo Deza
مروری کلی بر MLflow
Overview of MLflow
نصب و استفاده از MLflow
Installing and Using MLflow
آشنایی با رابط کاربری ردیابی (Tracking UI)
Introduction to the Tracking UI
پارامترها، نسخهها، آرتیفکتها و متریکها
Parameters, Version, Artifacts and Metrics
کار با پروژههای MLflow
Working with MLflow Projects
ایجاد یک پروژه MLflow
Create an MLflow Project
اجرای پروژه از مخازن Git راه دور
Run Project from Remote Git Repositories
اتصال MLflow به Databricks
Connecting MLflow to Databricks
اجزای یک بسته MLflow
Components of an MLflow Package
استفاده از Registry برای مدلهای MLflow
Using a Registry with an MLflow Model
ارجاع به آرتیفکتها با استفاده از API
Referencing Artifacts with the API
ذخیرهسازی و سرویسدهی مدلهای MLflow
Saving and Serving MLflow Models
مقدمهای بر Hugging Face
Introduction to Hugging Face
Hugging Face چیست؟
What is Hugging Face?
مروری بر Hugging Face Hub
Overview of the Hugging Face Hub
مقدمهای بر Hugging Face Hub
Introduction to the Hugging Face Hub
استفاده از مخازن (Repositories) در Hugging Face
Using Hugging Face Repositories
استفاده از Hugging Face Spaces
Using Hugging Face Spaces
مقدمهای بر کاربردهای عملی Hugging Face
Introduction to Applied Hugging Face
استفاده از Codespaces مجهز به GPU
Using GPU Enabled Codespaces
استفاده از رابط خط فرمان (CLI) در Hugging Face
Using the Hugging Face CLI
استفاده از Model Hub
Using the Model Hub
دانلود مدلها
Downloading Models
کار با مدلها
Working with Models
افزودن مجموعهدادهها (Datasets)
Adding Datasets
استفاده از مجموعهدادهها
Using Datasets
کار با مجموعهدادهها
Working with Datasets
استقرار Hugging Face
Deploying Hugging Face
Hugging Face و FastAPI
Hugging Face and FastAPI
کانتینری کردن Hugging Face
Containerizing Hugging Face
اجرای FastAPI با Hugging Face
Running FastAPI with Hugging Face
بستهبندی CI/CD با GitHub Actions
CI/CD Packaging with GitHub Actions
Hugging Face و Azure ML Studio
Hugging Face and Azure ML Studio
ثبت یک مجموعهداده Hugging Face در Azure
Registering a Hugging Face Dataset on Azure
ثبت یک مدل Hugging Face در Azure
Registering a Hugging Face Model on Azure
بررسی مجموعهداده Hugging Face در Azure
Inspecting a Hugging Face Dataset on Azure
استفاده از Azure ML Python SDK
Azure ML Python SDK
استفاده از GitHub Actions برای استقرار مدلها
Using GitHub Actions for Model Deployments
استفاده از Azure Container Registry
Using Azure Container Registry
اتوماسیون بستهبندی با Azure Container Registry
Automating Packaging with Azure Container Registry
اتوماسیون بستهبندی با Docker Hub
Automating Packaging with Docker Hub
کاربردهای عملی Hugging Face
Applied Hugging Face
ایجاد یک Azure Container Application
Create an Azure Container Application
پیکربندی Azure Container Application
Configure an Azure Container Application
استقرار Hugging Face در Azure
Deploy Hugging Face to Azure
Noah Gift بنیانگذار Pragmatic A.I است. آزمایشگاه ها و یکی از همکاران بنیاد نرم افزار پایتون.
نوح به طور گسترده با AWS کار می کند و یک قهرمان یادگیری ماشین AWS است. او دارای چندین گواهینامه صنعتی برای AWS است. نوح آموزش و طراحی دوره های آموزشی ماشین فارغ التحصیل، MLOps، A.I.، علم داده و مشاوره در زمینه یادگیری ماشین و معماری ابری را انجام می دهد. مسئولیت های او شامل رهبری ابتکار صدور گواهینامه چند ابری برای دانش آموزان است. نوح نقش های مختلفی را به صورت حرفه ای ایفا کرده است، از جمله CTO، مدیر کل، مشاور مدیر ارشد فناوری، مشاور ارشد دانشمند داده و معمار ابر. او همچنین دارای چندین تیتراژ فیلم در فیلمهای اصلی برای کارهای فنی از جمله آواتار، مرد عنکبوتی 3 و بازگشت سوپرمن است.
نمایش نظرات