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

  • عیب‌یابی استقرار کانتینر Troubleshooting Container Deployment

  • مقدمه‌ای بر تئوری Fine Tuning Introduction to Fine-Tuning Theory

  • انجام عملیات Fine Tuning Performing Fine-Tuning

  • مقدمه‌ای بر ONNX و Hugging Face Introduction to ONNX and Hugging Face

  • خروجی گرفتن از مدل‌های Hugging Face به فرمت ONNX Exporting Hugging Face Models to ONNX

  • مقدمه‌ای بر Hugging Face Spaces Introduction to Hugging Face Spaces

  • راهنمای گام‌به‌گام Hugging Face Spaces Hugging Face Spaces Walkthrough

  • استقرار Hugging Face Spaces Deploying Hugging Face Spaces

  • مفاهیم اشتراک در سود Profit Sharing Concepts

  • تراژدی منابع مشترک در GenAI Tragedy of the GenAI commons

  • نظریه بازی‌ها در GenAI Game Theory of GenAI

  • رقابت کامل Perfect Competition

  • پیامدهای خارجی منفی Negative Externalities

  • کارآفرینی رگولاتوری Regulatory Entrepreneurship

نمایش نظرات

ابزارهای MLOps: آموزش MLflow و Hugging Face
جزییات دوره
25h 53m
57
(آخرین آپدیت)
12,775
4.1 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

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده

Noah Gift Noah Gift

کارشناس MLOps | انفرادی | نویسنده | استادیار | CTO

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.