آموزش راهنمای عملی توسعه و ردیابی مدل‌های یادگیری ماشین (ML) - آخرین آپدیت

دانلود ML Model Development and Tracking: Hands-on Guide

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: در این دوره، شما با تسلط بر «حلقه میانی» (Middle Loop) در چرخه حیات MLOps، شکاف بین کدنویسی آزمایشی و یادگیری ماشین آماده برای محیط عملیاتی (Production) را پر خواهید کرد. شما با بهینه‌سازی فرآیند توسعه مدل شروع می‌کنید و یاد می‌گیرید که برای به حداکثر رساندن عملکرد مدل، تفاوت بین آموزش استاندارد و تنظیم هایپرپارامترها را تشخیص دهید. برای تضمین بهره‌وری عملیاتی، استراتژی‌های پردازشی را ارزیابی کرده و حجم کاری خود را با نقاط قوت خاص CPUها و GPUها مطابقت می‌دهید. بخش اصلی تجربه شما شامل ایجاد یک «منبع حقیقت» (Source of Truth) قدرتمند با استفاده از MLflow است تا پارامترها را به طور خودکار ثبت، متریک‌ها را ردیابی و نسخه‌های مدل را با دقت حرفه‌ای مدیریت کنید. شما با پیاده‌سازی یک داشبورد متمرکز که امکان مقایسه بی‌وقفه صدها اجرای آزمایشی را فراهم می‌کند، از ردیابی دستی فراتر خواهید رفت. برای حفظ یکپارچگی سازمانی، بر مدیریت مدل‌های MLflow (Model Registry) برای کنترل نسخه‌بندی آرتیفکت‌ها و انتقال مدل‌ها از مرحله Staging به Production مسلط خواهید شد. این دوره با یک پروژه عملی نهایی به پایان می‌رسد که در آن یک سرور MLflow زنده را راه‌اندازی کرده و مجموعه‌داده‌های مصنوعی برای شبیه‌سازی یک سیستم واقعی بررسی خسارات بیمه ایجاد می‌کنید. در نهایت، شما یک محیط آموزشی کاملاً بازتولیدپذیر ایجاد خواهید کرد و اطمینان حاصل می‌کنید که راهکارهای هوش مصنوعی شما سازمان‌یافته، قابل جستجو و آماده برای استقرار در مقیاس بالا هستند.

سرفصل ها و درس ها

توسعه مدل Model Development

معرفی دوره Course Introduction
نمای کلی توسعه مدل Model Development Overview
آموزش مدل و تنظیم هایپرپارامترها Model Training and Hyperparameter tuning
دنیای CPUها و GPUها World of CPUs and GPUs

ردیابی آزمایش‌ها Experiment Tracking

آشنایی با MLflow Introduction to MLflow
دمو: راه‌اندازی MLflow Demo: Setting up MLflow
دمو ۱: اجرای آزمایش و ذخیره نتایج در MLflow Demo 1: Running an experiment and storing the result on MLflow
دمو ۲: اجرای آزمایش و ذخیره نتایج در MLflow Demo 2: Running an experiment and storing the result on MLflow
دمو: آرتیفکت‌ها و نسخه‌بندی مدل در MLflow Demo: MLflow Model Artifact and Versioning

اتوماسیون بررسی خسارات بیمه با MLflow و BentoML Automating Insurance Claim Reviews with MLflow and BentoML

استقرار اپلیکیشن برای آپلود خسارات توسط کارگزاران بیمه Deploy App for Insurance Agents to Upload all Insurance Claims
دمو: تولید داده‌های مصنوعی برای پروژه Demo: Generate Dummy Data for the Project
دمو: راه‌اندازی سرور MLflow و اجرای آزمایش ML Demo: Setup MLflow server and run the ML Experiment
دمو: ثبت مدل و پیکربندی BentoML برای سرویس‌دهی مدل‌های ML Demo: Register the Model and Setup BentoML for Serving ML models
دمو: ارتقای اپلیکیشن Flask برای اتصال به BentoML جهت سرویس‌دهی آنلاین Demo: Upgrade Python Flask App to Connect to BentoML for Online Serving