آموزش بوت‌کمپ جامع MLOps: از مبانی تا ابزارهای پیشرفته - آخرین آپدیت

سرفصل ها و درس ها

مقدمه ای بر این دوره Introduction to this course

• چگونه از دوره بیشترین بهره را ببریم How to get the most out of the course

• محتوای دوره Course material

چالش ها و تحول یادگیری ماشین Challenges and evolution of Machine Learning

• مقدمه ای بر یادگیری ماشین Introduction to Machine Learning

• مزایای یادگیری ماشین Benefits of Machine Learning

• مبانی MLOps MLOps Fundamentals

• مبانی DevOps و DataOps DevOps and DataOps Fundamentals

مبانی MLOps MLOps Fundaments

• مشکلاتی که MLOps حل می کند Problems that MLOps solves

• اجزای MLOps MLOps Components

• جعبه ابزار MLOps MLOps Toolbox

• مراحل MLOps MLOps stages

نصب ابزارها و کتابخانه ها Installation of tools and libraries

• نحوه نصب کتابخانه ها و آماده سازی محیط How to install libraries and prepare the environment

• مبانی Jupyter Notebook Jupyter Notebook Basics

• نصب Docker و Ubuntu Installing Docker and Ubuntu

فاز ۱ MLOps: طراحی راه حل MLOps Phase 1: Solution Design

• طراحی و پیاده سازی Volere Volere design and implementation

فاز ۲ MLOps: خودکارسازی چرخه مدل یادگیری ماشین MLOps Phase 2: Automating the ML Model Cycle

• مبانی AutoML AutoML Basics

• ساخت مدل از ابتدا تا انتها با Pycaret Building a model from start to finish with Pycaret

• EDA و پیش پردازش پیشرفته با Pycaret EDA and Advanced Preprocessing with Pycaret

• توسعه مدل های پیشرفته (XGBoost، CatBoost، LightGBM) با Pycaret Development of advanced models (XGBoost, CatBoost, LightGBM) with Pycaret)

• استقرار در تولید با Pycaret Production deployment with Pycaret

فاز ۲ MLOps: نسخه بندی و ثبت مدل با MLFlow MLOps phase 2: Model versioning and registration with MLFlow

• رجیستری و نسخه بندی مدل با MLFlow Model registry and versioning with MLFlow

• ثبت مدل Scikit-Learn با MLFlow Registering a Scikit-Learn model with MLFlow

• ثبت مدل Pycaret با MLFlow Registering a Pycaret model with MLFlow

• ادغام Pycaret و Dagshub Pycaret and Dagshub integration

• آزمایشگاه عملی ثبت مدل و مجموعه داده با Pycaret و DagsHub Hands on laboratory of registering a model and dataset with Pycaret and DagsHub

نسخه بندی مجموعه داده با DVC Versioning dataset with DVC

• مقدمه ای بر DVC Introduction to DVC

• دستورات و فرآیند DVC DVC commands and process

• آزمایشگاه عملی با DVC Hands-on lab with DVC

• خطوط لوله DVC DVC Pipelines

مخزن کد با DagsHub، DVC، Git و MLFlow Code repository with DagsHub, DVC, Git and MLFlow

• مقدمه ای بر DagsHub برای مخزن کد Introduction to DagsHub for the code repository

• EDA و پیش پردازش داده ها EDA and data preprocessing

• آموزش و ارزیابی نمونه اولیه مدل یادگیری ماشین Training and evaluation of the prototype of the ML model

• ایجاد حساب DagsHub DagsHub account creation

• ایجاد محیط پایتون و مجموعه داده Creating the Python environment and dataset

• استقرار مدل در DagsHub Deployment of the model in DagsHub

• آموزش و نسخه بندی مدل یادگیری ماشین Training and versioning the ML model

• بهبود مدل برای محیط تولید Improving the model for a production environment

• استفاده از DVC برای نسخه بندی داده ها و مدل ها Using DVC to version data and models

• ارسال کد، داده ها و مدل ها به DagsHub Sending code, data and models to DagsHub

• آزمایش و ثبت آزمایش ها در DagsHub Experimentation and registration of experiments in DagsHub

ثبت و نسخه بندی خودکار با Pycaret و DagsHub Automated registration and versioning with Pycaret and DagsHub

• تمرین عملی. توسعه مدل با Pycaret و ثبت در MLFlow Hands-on Exercise.Development of a model with Pycaret and registration in MLFlow

• راه حل. توسعه مدل با Pycaret و ثبت در MLFlow Solution. Development of a model with Pycaret and registration in MLFlow

• تمرین عملی. ایجاد مخزن با DagsHub Hands-on exercise. Generating a repository with DagsHub

• راه حل. ایجاد مخزن با DagsHub Solution. Generating a repository with DagsHub

• تمرین عملی. نسخه بندی داده ها با DVC Hands-on exercise. Data versioning with DVC

• راه حل. نسخه بندی داده ها با DVC Solution. Data versioning with DVC

• تمرین عملی. ثبت مدل در سرور مشترک MLFlow Hands-on exercise. Registering the model on a shared MLFlow server

• راه حل. ثبت مدل در سرور مشترک MLFlow Solution. Registering the model on a shared MLFlow server

تفسیرپذیری مدل Model interpretability

• مبانی تفسیرپذیری با SHAP Basics of interpretability with SHAP

• تفسیر مدل های Scikit Learn با SHAP Interpreting Scikit Learn models with SHAP

• تفسیر مدل ها با SHAP در Pycaret Interpreting models with SHAP in Pycaret

قرار دادن مدل ها در تولید Putting models into production

• استقرار مدل ها در تولید Deploying Models in Production

فاز ۳ MLOps: سرویس دهی مدل از طریق API ها MLOps phase 3: Model serving through APIs

• مبانی API ها و FastAPI Fundamentals of APIs and FastAPI

• توابع، متدها و پارامترها در FastAPI Functions, methods and parameters in FastAPI

• متد POST، Swagger و Pydantic در FastAPI POST Method, Swagger and Pydantic in FastAPI

• توسعه API برای مدل Scikit-learn با FastAPI API development for Scikit-learn model with FastAPI

• توسعه خودکار API با Pycaret Automated API development with Pycaret

فاز ۳ MLOps: سرویس دهی مدل با برنامه های وب MLOps Phase 3: Model serving with Web Applications

• سرویس دهی مدل از طریق یک برنامه وب Serve the model through a Web Application

• دستورات پایه Gradio Basic Gradio commands

• توسعه یک برنامه وب Gradio برای یادگیری ماشین Development of a Gradio web application for Machine Learning

• توسعه خودکار برنامه وب با Pycaret Automated web application development with Pycaret

• توسعه برنامه وب با Streamlit Web application development with Streamlit

• آزمایشگاه: توسعه برنامه وب با Streamlit و Altair Laboratory: Web application development with Streamlit and Altair

• آزمایشگاه: Streamlit و Pycaret برای توسعه یک سرویس وب برای مدل یادگیری ماشین Laboratory: Streamlit and Pycaret to develop a web service for ML model

Flask برای توسعه برنامه Flask for application development

• مبانی Flask Flask Fundamentals

• ساخت پروژه از ابتدا تا انتها با Flask Building a project from start to finish with Flask

• توسعه بک اند با Flask و توسعه فرانت اند با HTML و CSS Back-end development with Flask and front-end development with HTML and CSS

Docker و کانتینرها در یادگیری ماشین Docker and containers in Machine Learning

• کانتینرها برای جداسازی برنامه های ما Containers to isolate our applications

• مبانی Docker و Kubernetes Docker and Kubernetes Basics

• ایجاد یک کانتینر برای یک API یادگیری ماشین با Docker Generating a container for an ML API with Docker

• Docker برای ایجاد کانتینر یک برنامه وب از Flask، HTML Docker to generate a container of a web application from Flask, HTML

BentoML برای توسعه خودکار خدمات یادگیری ماشین BentoML for automated development of ML services

• مقدمه ای بر BentoML برای ایجاد خدمات یادگیری ماشین Introduction to BentoML for generating ML services

• ایجاد یک سرویس یادگیری ماشین با BentoML Generating an ML service with BentoML

• قرار دادن سرویس در تولید با BentoML و Docker Putting the service into production with BentoML and Docker

• ادغام BentoML و MLflow و مدل های سفارشی BentoML and MLflow integration and custom models

• GPU، پیش پردازش، اعتبارسنجی داده ها و مدل های متعدد در BentoML GPU, preprocessing, data validation and multiple models in BentoML

• ابزارهای مختلف برای توسعه خدمات یادگیری ماشین Different tools for developing ML services

• تمرین: استفاده از BentoML برای توسعه یک سرویس یادگیری ماشین Exercise: Using BentoML to develop a ML service

• راه حل تمرین: استفاده از BentoML برای توسعه یک سرویس یادگیری ماشین Exercise Solution: Using BentoML to develop a ML service

استقرار در Azure Cloud با Azure Container و Azure SDKs Deploy to Azure Cloud with Azure Container and Azure SDKs

• قرار دادن برنامه یادگیری ماشین در تولید در Azure Container با Docker Putting the ML application into production in Azure Container with Docker

• SDK ها و Azure Blob Storage برای استقرار مدل در Azure SDKs and Azure Blob Storage for model deployment to Azure

• آموزش مدل و استقرار در تولید در Azure Blob Storage Model training and production deployment in Azure Blob Storage

• دانلود مدل Azure Blob Storage و دریافت پیش بینی ها Download the Azure Blob Storage model and get predictions

استقرار خدمات یادگیری ماشین در Heroku Deployment of ML services on Heroku

• مبانی Heroku Heroku Fundamentals

• آزمایشگاه عملی_استقرار یک سرویس یادگیری ماشین در Heroku Laboratorio_práctico_Despliegue de un servicio de ML en Heroku

ادغام و تحویل مداوم (CI/CD) با GitHub Actions و CML Continuous integration and delivery (CI/CD) with GitHub Actions and CML

• مقدمه ای بر GitHub Actions Introduction to GitHub Actions

• گردش کار پایه GitHub Actions GitHub Actions basic workflow

• آزمایشگاه عملی GitHub Actions GitHub Actions hands-on lab

• CI با یادگیری ماشین مداوم (CML) CI with Continuous Machine Learning (CML)

• آزمایشگاه عملی: بکارگیری GitHub Actions و CML در MLOps Hands-On Lab: Applying GitHub Actions and CML to MLOps

• آزمایشگاه عملی: ردیابی عملکرد با GitHub Actions و CML Hands-On Lab: Tracking Performance with GitHub Actions and CML

نظارت بر مدل و سرویس با Evidently AI Model and service monitoring with Evidently AI

• مقدمه ای بر نظارت بر مدل ها و خدمات یادگیری ماشین Introduction to monitoring ML models and services

• داده شیفت، مفهوم شیفت، و عملکرد مدل Data Drift, Concept Drift, and Model Performance

• ابزارهای نظارت بر مدل و خدمات یادگیری ماشین ML model and service monitoring tools

• مبانی Evidently AI Evidently AI Fundamentals

• شیفت داده و کیفیت داده، شیفت هدف و کیفیت مدل Drift and data quality, target drift and model quality

• آزمایشگاه عملی: نظارت بر یک مدل با Evidently AI Hands-on Lab: Monitoring a model with Evidently AI

• آزمایشگاه عملی: نظارت بر مدل در تولید Hands-on Laboratory: Monitoring the model in production

• آزمایشگاه عملی: شناسایی شیفت داده در تولید Hands-on Laboratory: Identification of data drift in production

پروژه MLOps از ابتدا تا انتها End-to-end MLOps Project

• پروژه MLOps از ابتدا تا انتها MLOps end-to-end projectMLOps end-to-end project

• توسعه مدل یادگیری ماشین Development of the ML model

• اعتبارسنجی کیفیت کد، مدل و پیش پردازش Validation of the quality of the code, model and preprocessing

• نسخه بندی پروژه با MLFlow و DVC Project versioning with MLFlow and DVC

• مخزن مشترک با DagsHub و MLFlow Shared repository with DagsHub and MLFlow

• توسعه API با BentoML API development with BentoML

• توسعه برنامه با Streamlit App development with Streamlit

• CI-CD: گردش کار اعتبارسنجی داده ها با GitHub Actions CI-CD: Data validation workflow with GitHub Actions

• CI/CD: اعتبارسنجی عملکرد برنامه با GitHub Actions CI/CD: Validating app functionality with GitHub Actions

• CI/CD: استقرار خودکار برنامه با GitHub Actions و Heroku CI/CD: Automated app deployment with GitHub Actions and Heroku