آموزش امالآپْس (MLOps): پروژههای یادگیری ماشین واقعی برای متخصصان - آخرین آپدیت
دانلود MLOps: Real-World Machine Learning Projects for Professional
ساخت خطوط لوله یادگیری ماشینی (ML) با MLOps: راهنمای عملی
ساخت و استقرار مدلهای یادگیری ماشینی دنیای واقعی با استفاده از ابزارهای MLOps
پیادهسازی یک افزونه کامل Google Chrome
پیادهسازی یک خط لوله CI/CD کامل برای ML با استفاده از GitHub Actions و نسخهبندی مدل
ردیابی، مدیریت و مقایسه آزمایشهای ML با استفاده از DVC، MLflow برای حاکمیت قوی مدل
طراحی خطوط لوله MLOps ماژولار و قابل استفاده مجدد که از بهترین روشهای صنعت پیروی میکنند
استقرار و مقیاسپذیری مدل ML در پلتفرمهای ابری AWS با معماری Docker آماده تولید
پیشنیازها:
دانش اولیه از Python و مفاهیم یادگیری ماشینی توصیه میشود
آشنایی با Git و خط فرمان مفید خواهد بود، اما اجباری نیست
هیچ تجربه قبلی با Docker، Kubernetes یا MLOps لازم نیست
به دوره MLOps عملی و کاربردی که برای متخصصانی طراحی شده است که به دنبال تسلط بر استقرار یادگیری ماشینی در دنیای واقعی هستند، خوش آمدید.
در این دوره، شما فقط تئوری را یاد نمیگیرید - شما خطوط لوله ML در سطح تولید را با استفاده از یک پشته مدرن شامل MLflow، DVC، Docker، Flask، GitHub Actions و AWS میسازید و مستقر میکنید. شما حتی مدلهای ML را در یک افزونه Chrome ادغام خواهید کرد و MLOps end-to-end را در عمل به نمایش میگذارید.
پروژههایی که خواهید ساخت:
- تحلیلگر احساسات ML با MLflow & DVC
- خط لوله آموزشی قابل تکرار با DVC + Git
- داشبورد ردیابی MLflow با معیارها و مصنوعات
- سرویس استنتاج Dockerized با REST API
- CI/CD end-to-end با GitHub Actions
- استقرار زنده در AWS EC2
- افزونه Chrome که API ML شما را در زمان واقعی فراخوانی میکند
چرا این دوره را بگذرانید؟
به تجربه عملی با ابزارهای مدرن MLOps دست پیدا کنید
یاد بگیرید که چگونه مجموعهدادهها را مدیریت کنید، مدلها را ردیابی کنید و به مرحله تولید استقرار دهید
بهترین روشهای DevOps دنیای واقعی را که برای یادگیری ماشین اعمال میشوند، درک کنید
یک مجموعه از پروژههای ML قابل استقرار و full-stack بسازید
مهارتهای آماده برای شغل را برای نقشها در MLOps، مهندسی داده و مهندسی ML به دست آورید
در طول این دوره، شما روی پروژههای ML در سطح تولید کار خواهید کرد که موارد استفاده تجاری واقعی را شبیهسازی میکنند و ابزارها و چارچوبهای MLOps را در خود جای میدهند. چه به دنبال تبدیل شدن به یک متخصص MLOps باشید یا اولین مدل خود را به صورت حرفهای مستقر کنید، این دوره شما را به دانش، کد و طراحی سیستمی که برای موفقیت نیاز دارید، مجهز میکند.
Introduction
-
برنامهریزی پروژه و مقدمه Project Planning & Introduction
مدیریت داده و پیشپردازش Data Management & Preprocessing
-
جمعآوری داده Data Collection
-
پیشپردازش داده و EDA Data Preprocessing & EDA
راهاندازی سرور MLFlow Setting up MLFlow Server
-
راهاندازی سرور MLFlow روی AWS Setup MLFlow Server on AWS
ساخت مدل پایه با MLFlow Building Baseline Model with MLFlow
-
ساخت مدل پایه Building Baseline Model
-
بهبود مدل پایه – BOW، TFIDF Improving Baseline Model - BOW, TFIDF
-
بهبود مدل پایه – Max features Improving Baseline Model - Max features
-
بهبود مدل پایه – رسیدگی به دادههای نامتعادل Improving Baseline Model - Handling Imbalanced data
-
بهبود مدل پایه – تنظیم هایپرپارامترها با مدلهای متعدد Improving Baseline Model - Hyperparameter tuning with Multiple Model
-
بهبود مدل پایه – انباشتن مدلها Improving Baseline Model - Stacking Models
ساخت پایپلاین end to end با استفاده از DVC Building End to End Pipeline using DVC
-
ساخت پایپلاین ML با استفاده از DVC Building ML Pipeline using DVC
-
کامپوننت Data Ingestion Data Ingestion Component
-
کامپوننت پیشپردازش داده Data Preprocessing Component
-
کامپوننت Model Building Model Building Component
-
کامپوننت Model Evaluation با MLFlow Model Evaluation Component with MLFlow
-
کامپوننت Model Register با MLFlow Model Register Component with MLFlow
پیادهسازی کامل افزونه کروم Implementing Complete Chrome Plugin
-
پیادهسازی API Flask Flask API Implementation
-
پیادهسازی افزونه کروم Implementation of Chrome Plugin
استقرار CICD روی AWS CICD Deployment on AWS
-
افزودن Docker Adding Docker
-
استقرار روی AWS Deployment on AWS
DS with Bappy
نمایش نظرات