آموزش ساخت و مقیاس‌پذیری خط لوله‌های یادگیری ماشین (ML Pipelines) - آخرین آپدیت

خط لوله‌های مهندسی ویژگی و Feature Storeها Feature Engineering Pipelines and Feature Stores

• مرور کلی تخصص Specialization Overview

• معرفی دوره Course Introduction

• مهندسی ویژگی برای سیستم‌های ML Feature Engineering for ML Systems

• دمو: ساخت خط لوله مهندسی ویژگی برای تشخیص کلاهبرداری Demonstration: Build a Feature Engineering Pipeline for Fraud Detection

• دمو: اعتبارسنجی خط لوله‌های ویژگی با Great Expectations Demonstration: Validate Feature Pipelines with Great Expectations

• درک Feature Storeها و نقش آن‌ها در MLOps Understanding Feature Stores and Their Role in MLOps

• دمو: راه‌اندازی Feast Feature Store برای تشخیص کلاهبرداری Demonstration: Set Up Feast Feature Store for Fraud Detection

• دمو: ثبت و سرو ویژگی‌ها با Feast Demonstration: Register and Serve Features with Feast

• ویژگی‌های دسته‌ای (Batch) و ویژگی‌های استریمینگ Batch Features and Streaming Features

• دمو: ساخت ویژگی‌های بلادرنگ (Real-Time) برای تشخیص کلاهبرداری Demonstration: Build Real Time Features for Fraud Detection

• دمو: سرو ویژگی‌های بلادرنگ به API مدل Demonstration: Serve Real Time Features to a Model API

آموزش مقیاس‌پذیر و ارکستراسیون گردش کار در Kubernetes Scalable Training and Workflow Orchestration on Kubernetes

• آشنایی با Kubernetes Introduction to Kubernetes

• دمو: راه‌اندازی یک کلاستر Kubernetes برای گردش کارهای ML Demonstration:Set Up a Kubernetes Cluster for ML Workflows

• دمو: اجرای یک Job آموزشی روی Kubernetes Demonstration: Running a Training Job on Kubernetes

• Kubeflow Pipelines و ارکستراسیون ML در محیط Cloud-Native Kubeflow Pipelines and Cloud-Native ML Orchestration

• دمو: ساخت یک Kubeflow Pipeline برای سیستم تشخیص کلاهبرداری Demonstration: Building a Kubeflow Pipeline for Fraud Detection System

• دمو: مدیریت اجراهای Kubeflow Pipeline Demonstration: Manage Kubeflow Pipeline Runs

• آموزش توزیع‌شده و تنظیم هایپرپارامتر در مقیاس بزرگ Distributed Training and Large-Scale Hyperparameter Tuning

• دمو: مقیاس‌بندی تنظیم هایپرپارامتر با Optuna و Ray Demonstration: Scale Hyperparameter Tuning with Optuna and Ray

• دمو: ردیابی آزمایشات تنظیم توزیع‌شده با MLflow Demonstration: Track Distributed Tuning Experiments with MLflow

الگوهای پیشرفته سروینگ و استقرار مدل Advanced Model Serving and Deployment Patterns

• چارچوب‌های سروینگ مدل – BentoML، Seldon و Kserve Model Serving Frameworks – BentoML, Seldon, and Kserve

• دمو: سرو مدل تشخیص کلاهبرداری با BentoML Demonstration: Serve a Fraud Model with BentoML

• دمو: استقرار یک مدل با KServe Demonstration: Deploy a Model with KServe

• الگوهای استقرار برای مدل‌های ML Deployment Patterns for ML Models

• دمو: پیاده‌سازی استقرار کاناری برای مدل تشخیص کلاهبرداری Demonstration: Implement Canary Deployment for a Fraud Model

• دمو: اجرای تست‌های A/B برای نسخه‌های مختلف مدل Demonstration: Running A/B Tests for Model Versions

• بهینه‌سازی تأخیر، نرخ انتقال و هزینه برای استنتاج ML Latency, Throughput, and Cost Optimization for ML Inference

• دمو: بهینه‌سازی استنتاج مدل با ONNX Demonstration: Optimize Model Inference with ONNX

• دمو: مقیاس‌بندی خودکار (AutoScale) سرویس مدل روی Kubernetes Demonstration: AutoScale a Model Service on Kubernetes

جمع‌بندی دوره و ارزیابی Course Wrap-Up and Assessment

• خلاصه دوره Course Summary