آموزش عملیات یادگیری ماشین: Google Cloud - علم داده دنیای واقعی

سرفصل ها و درس ها

مقدمه و پیش نیازها Introduction & prerequisites

• سلام و مقدمه Hello & Introduction

• مخزن Github برای این دوره Github Repository for this course

• سرور Discord برای این دوره Discord Server for this Course

• آزمایشگاه-حساب آزمایشی GCP برای دوره ایجاد کنید Lab-Create GCP Trial Account for the course

• آزمایشگاه-دانلود gcloud-cli و پیکربندی پروژه Lab-Download gcloud-cli & project configuration

• پیش نیازهای دوره و تاسیسات Course prerequisites and installations

• بررسی اجمالی دوره و بررسی بخش Course Overview & section walkthrough

• خدمات GCP مورد استفاده در دوره GCP Services used in the course

مقدمه ای بر ML Ops Introduction to ML Ops

• مقدمه ای بر ML-Ops Introduction To ML-Ops

• اصول اجزای کلیدی در ML-Ops Key Components Principles in ML-Ops

CI/CD با استفاده از GCP CloudBuild، Artifact & Container Registry و CloudRun CI/CD using GCP CloudBuild,Artifact & Container Registry and CloudRun

• مقدمه ای بر CI/CD در GCP Introduction to CI/CD on GCP

• مقدمه ای بر رجیستری کانتینر GCP و رجیستری مصنوع Introduction to GCP Container Registry and Artifact Registry

• آزمایشگاه: API های لازم را فعال کنید و ماژول ها را نصب کنید Lab : Enable necessary APIs and install modules

• مقدمه ای بر GCP CloudRun برای مدل های ML Introduction To GCP CloudRun for ML Models

• مروری بر مراحل برای کاربرد فلاسک - توسعه محلی Overview of Steps for Flask Application - Local development

• آزمایشگاه: استقرار برنامه Flask با استفاده از Container/Artifact Registry و CloudRun Lab : Deploy Flask application using Container/Artifact Registry and CloudRun

• آزمایشگاه: PyTest را به صورت محلی با استفاده از ChatGPT اجرا کنید Lab: Execute PyTest locally using ChatGPT

• معرفی سرویس GCP CloudBuild Introduction to GCP CloudBuild Service

• آزمایشگاه: برنامه Flask را با استفاده از GCP CloudBuild گسترش دهید Lab : Deploy Flask application using GCP CloudBuild

• آزمایشگاه: راه‌اندازی Cloudbuild را از GitHub Repo تنظیم کنید Lab : Setup Cloudbuild Triggers from GitHub Repo

• بررسی اجمالی مدل XGBoost برای مدل توصیه های کوپن XGBoost Model Overview for Coupon Recommendations Model

• آزمایشگاه: استقرار و پیاده سازی Model Serving Flask Application و Pytest به صورت محلی Lab : Deploy and implement Model Serving Flask Application and Pytest Locally

• آزمایشگاه: مدل ML را با استفاده از CloudBuild در CloudRun اجرا کنید Lab : Deploy ML Model to CloudRun using CloudBuild

• مروری بر تست A/B برای مدل‌های ML با استفاده از CloudRun Overview of A/B Testing for ML Models using CloudRun

• آزمایشگاه: استقرار نسخه جدید مدل ML و به‌روزرسانی ترافیک نسخه Lab : Deploy New Version of ML Model & Update version traffic

• تکلیف - استقرار مدل رگرسیون اجاره دوچرخه و اجرای CI/CD Assignment - Deploy Bike Rentals Regression Model & perform CI/CD

آموزش مدل مداوم با استفاده از Cloud Composer-Airflow Continuous Model Training using Cloud Composer-Airflow

• مروری بر مدل علم داده برای کمپین بازاریابی بانکی Overview of Data science model for Bank Marketing Campaign

• مقدمه ای بر آموزش مستمر Introduction to Continuous Training

• مقدمه ای بر جریان هوا برای آموزش مداوم Introduction to Airflow For Continuous Training

• آزمایشگاه: ایجاد Setup Airflow composer Env and Vertex AI Workbench Lab: Create Setup Airflow composer Env and Vertex AI Workbench

• آزمایشگاه: آموزش مدل را با استفاده از Jupyter-Nbk در GCP اجرا کنید Lab: Execute Model Training using Jupyter-Nbk on GCP

• آزمایشگاه: برای گردش کار یادگیری ماشین، داگ جریان هوا را اجرا کنید Lab: Execute Airflow Dag for Machine Learning Workflow

• آزمایشگاه: خط لوله آموزش مداوم در عمل Lab : Continuous Training Pipeline in Action

• پیامدهای سناریوهای شکست در آموزش مداوم Implications of Failure scenarios in Continuous Training

• آزمایشگاه: آموزش مداوم را برای ثبت گزارش‌های مدل و هشدار راه‌اندازی راه‌اندازی کنید Lab: Trigger Continuous Training to capture model logs and setup alerting

• مروری بر CI/CD برای آموزش مدل Overview of CI/CD for Model Training

• آزمایشگاه: CI/CD کد آموزشی مدل با استفاده از Cloud-Build، PyTest و Github Lab : CI/CD of Model Training Code using Cloud-Build,PyTest and Github

• آزمایشگاه: راه‌اندازی CloudBuild را تنظیم کنید Lab :Setup CloudBuild triggers

• بخش 1 تکلیف: آموزش مداوم را برای مدل بازگشت سرمایه بازاریابی تنظیم کنید Assignment Part-1 : Setup Continuous Training for a Marketing ROI Model

• تکلیف قسمت 2: CICD مدل ROI Science Data را انجام دهید Assignment Part-2 : Perform CICD of the Data Science ROI Model

• تکلیف قسمت 3: استقرار برنامه سرویس دهی مدل در GCP CloudRun Assignment Part-3 : Deploy Model Serving Application to GCP CloudRun

Vertex AI برای علم داده و یادگیری ماشین Vertex AI For Data Science & Machine Learning

• نمای کلی بخش Section Overview

• مقدمه ای بر خدمات آموزشی مدل AI Vertex Introduction to Vertex AI Model Training Service

• بررسی اجمالی مدل رگرسیون اجاره دوچرخه Overview of Bike Share Rentals Regression Model

• آزمایشگاه: آموزش مدل AI Vertex با استفاده از کنسول وب و Gcloud CLI Lab : Vertex AI Model Training using Web Console and Gcloud CLI

• مقدمه ای بر رجیستری مدل AI Vertex Introduction to Vertex AI Model Registry

• آزمایشگاه: آموزش مدل پایتون SDK-Vertex AI، رجیستری مدل و استقرار مدل Lab : Python SDK-Vertex AI Model Training,Model Registry and Model Deployment

• آزمایشگاه: اجرای سرویس پیش بینی آنلاین و دسته ای با استفاده از Python SDK و jupter nbks Lab : Execute Online & Batch prediction Service using Python SDK and jupter nbks

• خروجی پیش‌بینی دسته‌ای Lab-Walkthrough و کارهای پیش‌بینی آنلاین با استفاده از Cloud Run Lab-Walkthrough Batch Prediction Output & Online Prediction jobs using Cloud Run

• Lab-استقرار و اجرای Batch Prediction Job با استفاده از GCP Cloud Functions Lab-Deploy and implement Batch Prediction Job using GCP Cloud Functions

• آزمایشگاه: مروری بر CI/CD با استفاده از Vertex AI Lab : Overview of CI/CD using Vertex AI

• آزمایشگاه: Vertex AI: CI/CD مدل علم داده با استفاده از CloudBuild Lab :Vertex AI : CI/CD of Data science model using CloudBuild

• تکلیف: مدل XGBoost را در Vertex AI مستقر کنید Assignment : Deploy XGBoost Model to Vertex AI

خطوط لوله Vertex AI-Kubeflow برای ارکستراسیون گردش کار ML Vertex AI-Kubeflow Pipelines for ML Workflow Orchestration

• معرفی Kubeflow برای ML Orchestration Introduction to Kubeflow for ML Orchestration

• اجزای مختلف در خطوط لوله Kubeflow Different Components in Kubeflow Pipelines

• آزمایشگاه: یک خط لوله ساده برای مدل XgBoost مستقر کنید Lab : Deploy a simple pipeline for XgBoost Model

• آزمایشگاه: مدل Xgboost را با استفاده از json کامپایل شده برای آموزش مداوم فعال کنید Lab : Trigger Xgboost Model using compiled json for continuous training

• آزمایشگاه: اجرای خط لوله kubeflow سرتاسر با ارزیابی مدل Lab : Execute end-to-end kubeflow pipeline with model evaluation

• تکلیف آزمایشگاهی: استقرار یک مدل امتیازدهی اعتباری Scikit-Learn در خطوط لوله Vertex Lab Assignment: Deploy a Scikit-Learn Credit Scoring Model to Vertex Pipelines

• مقدمه ای بر آزمایش های هوش مصنوعی Vertex Introduction to Vertex AI Experiments

• آزمایشگاه: از فراپارامترهای مدل مختلف برای Xgboost با آزمایش‌های Vertex AI استفاده کنید Lab: Use different model hyperparameters for Xgboost with Vertex AI Experiments

• آزمایشگاه: آموزش مدل‌های طبقه‌بندی علوم داده‌های مختلف با استفاده از آزمایش‌ها Lab:Train Different Data science Classification models using Experiments

• تکلیف: آزمایش‌هایی را برای مدل رگرسیون سهم دوچرخه انجام دهید Assignment : Perform Experiments for Bike share Regression Model

وظایف تنظیم AI-Hyperparameter Vertex، قابلیت توضیح هوش مصنوعی و نسخه‌سازی مدل Vertex AI-Hyperparameter Tuning Jobs, Explainability AI & Model Versioning

• مقدمه ای بر تنظیم Hyperparameter در Vertex AI Introduction to Hyperparameter Tuning on Vertex AI

• آزمایشگاه: اجرای تنظیم Hyperparameter برای مدل رگرسیون BikeShare Lab : Implement Hyperparameter Tuning for BikeShare Regression Model

• آزمایشگاه: بررسی اجمالی نتایج و تکالیف Lab : Result Walkthrough & Assignment Overview

• آزمایشگاه: بررسی اجمالی نتایج و تکالیف Lab : Result Walkthrough & Assignment Overview

• آزمایشگاه: استقرار نقطه پایانی مدل با پارامترهای توضیح پذیری Lab : Deploy Model Endpoint With Explainability Parameters

• آزمایشگاه: قابلیت توضیح برای پیش‌بینی‌های آنلاین و تفسیر نتایج Lab: Execute explainability for online predictions and Interpret results

• آزمایشگاه: قابلیت توضیح برای پیش‌بینی‌های آنلاین و تفسیر نتایج Lab: Execute explainability for online predictions and Interpret results

• تکلیف: قابلیت توضیح را برای مدل‌های XgBoost انجام دهید Assignment : Perform Explainability for XgBoost Models

• مقدمه ای بر نسخه سازی مدل با استفاده از رجیستری مدل AI Vertex Introduction to Model Versioning using Vertex AI Model Registry

• آزمایشگاه: نسخه های مختلف XgBoost Model را در رجیستری مدل مستقر کنید Lab : Deploy different versions of XgBoost Model to Model Registry

• معرفی Vertex AI FeatureStore Introduction to Vertex AI FeatureStore

• آزمایشگاه: ایجاد اشیاء فروشگاه ویژگی Lab : Create Feature store objects

• آزمایشگاه: داده‌های Pandas DF را به فروشگاه ویژگی‌ها وارد کنید Lab : Ingest Data from Pandas DF into Feature Store

• آزمایشگاه: داده‌ها را از فروشگاه ویژگی‌های Vertex AI در Pandas Df بخوانید Lab : Read Data From Vertex AI Feature Store into Pandas Df

• مقدمه ای بر AutoML Introduction to AutoML

• Lab-train و استقرار مدل طبقه بندی با استفاده از AutoML Lab-Train and Deploy Classification Model using AutoML

• آزمایشگاه - آموزش و استقرار مدل رگرسیون با استفاده از AutoML Lab - Train and Deploy Regression Model using AutoML

هوش مصنوعی مولد در Google Cloud Generative AI on Google Cloud

• مقدمه ای بر هوش مصنوعی مولد Introduction to Generative AI

• مقدمه ای بر مدل های زبان بزرگ - PalM 2 Introduction to Large language models - PaLM 2

• کلمات کلیدی و مفاهیم مهم در LLM Important keywords and concepts in LLM

• استودیوی هوش مصنوعی آزمایشگاهی Lab-Generative AI Studio

• آزمایشگاه - LLM را با استفاده از Python و Jupyter Nbk اجرا کنید Lab - Execute LLM using Python & Jupyter Nbk

• آزمایشگاه - مدل LLM طبقه بندی متن را با استفاده از Python و Cloud Run اجرا کنید Lab - Deploy text classification LLM Model using Python & Cloud Run

• Lab-Deploy Document Summary Application با استفاده از Python و Cloud Run Lab-Deploy Document Summarization Application using Python & Cloud Run

• آزمایشگاه- با استفاده از پایتون توضیحات تصویر مد را تولید کنید Lab- Generate Fashion Image Descriptions using Python