🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش MLOps از مبتدی تا پیشرفته در GCP - CI/CD، Kubernetes، Jenkins
- آخرین آپدیت
دانلود Beginner to Advanced MLOps on GCP-CI/CD, Kubernetes Jenkins
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
با Kubernetes، GitLab CI، Jenkins، Prometheus، Grafana، Kubeflow و Minikube در GCP، خطوط لوله ML خود را ساده کنید.
با استفاده از ابزارهایی مانند GitHub Action و Jenkins که برای یادگیری ماشین طراحی شدهاند و GitLab CI/CD، خطوط لوله یکپارچهسازی و استقرار مستمر قوی بسازید و مدیریت کنید.
از ابزارهای کانتینریسازی و ارکستراسیون مانند Docker، Kubeflow و Minikube برای ایجاد سیستمهای ML مقیاسپذیر و آماده تولید در GCP استفاده کنید.
به طور موثر دادههای ML را با PostgreSQL مدیریت و ایمن کنید و در عین حال داشبوردهای نظارت و تجسم را با استفاده از Grafana پیادهسازی کنید.
بهترین شیوهها را در مقیاسبندی، مدیریت منابع و انطباق با امنیت برای اطمینان از عملیات ML کارآمد و ایمن در محیطهای ابری به کار ببرید.
پیشنیازها:
مهارت برنامهنویسی: تجربه اولیه تا متوسط با برنامهنویسی، به ویژه در پایتون، که به طور گسترده در یادگیری ماشین و اسکریپتنویسی برای اتوماسیون استفاده میشود.
درک اولیه از اصول یادگیری ماشین
این دوره MLOps مبتدی تا پیشرفته طیف گستردهای از فناوریها و ابزارها را پوشش میدهد که برای ساخت، استقرار و خودکارسازی مدلهای ML در تولید ضروری هستند.
فناوریها و ابزارهای مورد استفاده در طول دوره
ردیابی آزمایش و مدیریت مدل: MLFlow، Comet-ML، TensorBoard
نسخهبندی داده و کد: DVC، Git، GitHub، GitLab
خطوط لوله CI/CD و اتوماسیون: Jenkins، ArgoCD، GitHub Actions، GitLab CI/CD، CircleCI
ابر و زیرساخت: GCP (Google Cloud Platform)، Minikube، Google Cloud Run، Kubernetes
استقرار و کانتینریسازی: Docker، Kubernetes، FastAPI، Flask
مهندسی داده و ذخیرهسازی ویژگی: PostgreSQL، Redis، Astro Airflow، PSYCOPG2
نظارت ML و تشخیص رانش: Prometheus، Grafana، Alibi-Detect
توسعه API و برنامه وب: FastAPI، Flask، ChatGPT، Postman، SwaggerUI
نحوه کمک این ابزارها و تکنیکها
ردیابی آزمایش و مدیریت مدل
به ورود به سیستم، مقایسه و ردیابی آزمایشهای مختلف مدل ML کمک میکند.
MLFlow & Comet-ML ردیابی متمرکز ابرپارامترها و معیارهای عملکرد را فراهم میکنند.
نسخهبندی داده و کد
با ردیابی تغییرات داده در طول زمان، قابلیت تولید مجدد را تضمین میکند.
DVC مجموعهدادههای بزرگ را مدیریت میکند و GitHub/GitLab کنترل نسخه را برای کد و خطوط لوله حفظ میکند.
خطوط لوله CI/CD و اتوماسیون
جریانهای کاری ML را از آموزش مدل تا استقرار خودکار میکند.
Jenkins، GitHub Actions، GitLab CI/CD و ArgoCD یکپارچهسازی و استقرار مداوم را انجام میدهند.
ابر و زیرساخت
GCP زیرساخت مقیاسپذیری را برای ذخیرهسازی داده، آموزش مدل و استقرار فراهم میکند.
Minikube آزمایش Kubernetes را روی ماشینهای محلی قبل از استقرار در محیطهای ابری امکانپذیر میکند.
استقرار و کانتینریسازی
Docker برنامهها را کانتینری میکند و آنها را قابل حمل و مقیاسپذیر میکند.
Kubernetes استقرارهای ML را برای در دسترس بودن و مقیاسپذیری بالا مدیریت میکند.
مهندسی داده و ذخیرهسازی ویژگی
PostgreSQL & Redis ویژگیهای ML ساختاریافته و بلادرنگ را ذخیره میکنند.
Airflow خطوط لوله ETL را برای پردازش یکپارچه داده خودکار میکند.
نظارت ML و تشخیص رانش
Prometheus & Grafana عملکرد مدل ML را در زمان واقعی تجسم میکنند.
Alibi-Detect به شناسایی رانش داده و تخریب مدل کمک میکند.
توسعه API و برنامه وب
FastAPI & Flask APIها را برای استنتاج مدل در زمان واقعی ایجاد میکنند.
ادغام ChatGPT برنامههای ML مبتنی بر ربات چت را افزایش میدهد.
SwaggerUI & Postman در مستندسازی و آزمایش API کمک میکنند.
این دوره رویکرد عملی کاملی را برای MLOps تضمین میکند، و همه چیز را از دریافت داده، آموزش مدل، نسخهبندی، استقرار، نظارت و اتوماسیون CI/CD پوشش میدهد تا پروژههای ML را آماده تولید و مقیاسپذیر کند.
سرفصل ها و درس ها
معرفی دوره
COURSE INTRODUCTION
معرفی
INTRODUCTION
پیش بینی رزرو هتل با MLFlow، Jenkins و استقرار GCP
Hotel Reservation Prediction with MLFlow, Jenkins and GCP Deployment
معرفی پروژه
Introduction to the Project
راه اندازی پایگاه داده با GCP Buckets
Database Setup with GCP Buckets
راه اندازی پروژه
Project Setup
دریافت داده با GCP
Data Ingestion with GCP
تست نوت بوک Jupyter
Jupyter Notebook Testing
پردازش داده
Data Processing
آموزش مدل و ردیابی آزمایش با استفاده از MLFLOW
Model Training and Experiment Tracking using MLFLOW
پایپ لاین آموزش و نسخه برداری داده و کد
Training Pipeline and Data & Code Versioning
ساخت برنامه کاربری با استفاده از Flask و CHATGPT
User App Building using Flask and CHATGPT
استقرار CI-CD با استفاده از Jenkins و Google Cloud Run
CI-CD Deployment using Jenkins and Google Cloud Run
سیستم توصیه کننده انیمه ترکیبی با Comet-ML، DVC، Jenkins و Kubernetes
Hybrid Anime Recommender System with Comet-ML , DVC , Jenkins and Kubernetes
معرفی پروژه
Introduction to the Project
راه اندازی پایگاه داده با استفاده از GCP Buckets
Database Setup using GCP Buckets
راه اندازی پروژه
Project Setup
دریافت داده با GCP
Data Ingestion with GCP
تست نوت بوک Jupyter - قسمت 1
Jupyter Notebook Testing - Part 1
تست نوت بوک Jupyter - قسمت 2
Jupyter Notebook Testing - Part 2
پردازش داده
Data Processing
معماری مدل و آموزش مدل
Model Architecture and Model Training
ردیابی آزمایش با استفاده از COMET-ML
Experiment Tracking using COMET-ML
ساخت پایپ لاین آموزش
Building Training Pipeline
نسخه برداری داده با استفاده از DVC و نسخه برداری کد با استفاده از GitHub
Data Versioning using DVC & Code Versioning using GitHub
ساخت توابع کمک کننده پیش بینی
Building Prediction Helper Functions
ساخت برنامه کاربری با Flask و CHATGPT
User App Building with Flask and CHATGPT
استقرار CI-CD با استفاده از Jenkins و Google Kubernetes
CI-CD Deployment using Jenkins and Google Kubernetes
پیش بینی بقای کاربر با Astro Airflow، SQL، Redis، Grafana & Prometheus
User Survival Prediction with Astro Airflow , SQL , Redis , Grafana & Prometheus
معرفی پروژه
Introduction to the Project
راه اندازی پایگاه داده با استفاده از GCP Buckets
Database Setup using GCP Buckets
راه اندازی پروژه
Project Setup
پایپ لاین ETL مهندسی داده با استفاده از Airflow و PostgreSQL
Data Engineering ETL Pipeline using Airflow and PostgreSQL
دریافت داده با استفاده از PSYCOPG2
Data Ingestion using PSYCOPG2
تست نوت بوک Jupyter
Jupyter Notebook Testing
ساخت Feature Store با استفاده از REDIS
Building Feature Store using REDIS
پردازش داده با ذخیره سازی Feature
Data Processing with Feature Storing
آموزش مدل با استخراج Feature
Model Training with Feature Extraction
پایپ لاین آموزش و نسخه برداری داده و کد
Training Pipeline and Data & Code Versioning
ساخت برنامه کاربری با استفاده از Flask و CHATGPT
User App Building using Flask and CHATGPT
تشخیص رانش داده با استفاده از ALIBI-DETECT
Data Drift Detection using ALIBI-DETECT
مانیتورینگ ML با استفاده از Grafana و Prometheus با راه اندازی
ML Monitoring using Grafana and Prometheus with Setup
تشخیص شیء اسلحه سفارشی با Tensorboard، DVC، FastAPI و Postman
Custom Guns Object Detection with Tensorboard, DVC, FastAPI and Postman
معرفی پروژه
Introduction to the Project
راه اندازی پروژه
Project Setup
دریافت داده با استفاده از KAGGLE
Data Ingestion using KAGGLE
تست نوت بوک Jupyter
Jupyter Notebook Testing
پردازش داده
Data Processing
ساخت معماری مدل
Building Model Architecture
آموزش مدل
Model Training
ردیابی آزمایش با استفاده از TensorBoard
Experiment Tracking using TensorBoard
پایپ لاین آموزش با استفاده از DVC
Training Pipeline using DVC
نسخه برداری داده و کد
Data and Code Versioning
ساخت و تست API با استفاده از FastAPI، SwaggerUI و Postman
API Building and Testing using FastAPI , SwaggerUI and Postman
پیش بینی سرطان کولورکتال با Mlflow+DagsHUB، Minikube Kubernetes و Kubeflow
Colorectal Cancer Prediction with Mlflow+DagsHUB ,Minikube Kubernetes & Kubeflow
معرفی پروژه
Introduction to the Project
راه اندازی پروژه
Project Setup
تست نوت بوک Jupyter
Jupyter Notebook Testing
پردازش داده
Data Processing
آموزش مدل
Model Training
ردیابی آزمایش با استفاده از MLFLOW و DAGSHUB
Experiment Tracking using MLFLOW and DAGSHUB
ساخت برنامه کاربری با استفاده از Flask و ChatGPT
User App Building Using Flask and ChatGPT
نصب و راه اندازی KUBEFLOW و MINIKUBE
KUBEFLOW and MINIKUBE Installation and Setup
ساخت پایپ لاین های Kubeflow
Building Kubeflow Pipelines
پروژه MLOPS جزئی - 1 با استفاده از CIRCLE CI
MINOR MLOPS PROJECT - 1 using CIRCLE CI
نکته مهم
IMPORTANT NOTE
معرفی پروژه
Introduction to the Project
راه اندازی پروژه
Project Setup
تست نوت بوک Jupyter
Jupyter Notebook Testing
پردازش داده
Data Processing
آموزش مدل
Model Training
ساخت برنامه کاربری با استفاده از Flask و CHATGPT
User App Building using Flask and CHATGPT
پایپ لاین آموزش و نسخه برداری داده و کد
Training Pipeline and Data & Code Versioning
استقرار CI-CD با استفاده از CIRCLE-CI و Google Kubernetes
CI-CD Deployment using CIRCLE-CI and Google Kubernetes
پروژه MLOPS جزئی - 2 با استفاده از GITLAB CI/CD
MINOR MLOPS PROJECT - 2 using GITLAB CI/CD
نکته مهم
IMPORTANT NOTE
معرفی پروژه
Introduction to the Project
راه اندازی پروژه
Project Setup
تست نوت بوک Jupyter
Jupyter Notebook Testing
پردازش داده
Data Processing
آموزش مدل
Model Training
ساخت برنامه کاربری با استفاده از Flask و ChatGPT
User App Building using Flask and ChatGPT
پایپ لاین آموزش و نسخه برداری داده و کد با استفاده از GITLAB
Training Pipeline and Data & Code Versioning using GITLAB
راه اندازی Google Cloud
Google Cloud Setup
استقرار CI-CD با استفاده از GITLAB CI/CD
CI-CD Deployment using GITLAB CI/CD
پروژه MLOPS جزئی - 3 با استفاده از GITHUB ACTIONS
MINOR MLOPS PROJECT - 3 using GITHUB ACTIONS
نکته مهم
IMPORTANT NOTE
معرفی پروژه
Introduction to the Project
راه اندازی پروژه
Project Setup
تست نوت بوک Jupyter
Jupyter Notebook Testing
پردازش داده
Data Processing
آموزش مدل
Model Training
ساخت برنامه کاربری با استفاده از Flask و ChatGPT
User App Building using Flask and ChatGPT
راه اندازی Google Cloud
Google Cloud Setup
پایپ لاین آموزش و نسخه برداری داده و کد
Training Pipeline and Data & Code Versioning
استقرار CI-CD با استفاده از GITHUB ACTIONS
CI-CD Deployment using GITHUB ACTIONS
پیش بینی بارندگی آب و هوای استرالیا با استفاده از Github Actions، Circle CI و GITLAB
Australia Weather Rain Prediction using Github Actions, Circle CI and GITLAB
معرفی پروژه
Introduction to the Project
راه اندازی پروژه
Project Setup
تست نوت بوک Jupyter
Jupyter Notebook Testing
پردازش داده
Data Processing
آموزش مدل و پایپ لاین آموزش
Model Training and Training Pipeline
ساخت برنامه کاربری با استفاده از Flask و ChatGPT
User App Building using Flask and ChatGPT
راه اندازی Google Cloud
Google Cloud Setup
Dockerfile، فایل استقرار Kubernetes و نسخه برداری داده و کد با استفاده از GitHub
Dockerfile , Kubernetes Deployment file and Data & Code Versioning using GitHub
استقرار CI-CD با استفاده از GITHUB ACTIONS
CI-CD Deployment using GITHUB ACTIONS
استقرار CI-CD با استفاده از Circle CI
CI-CD Deployment using Circle CI
استقرار CI-CD با استفاده از GITLAB CI/CD
CI-CD Deployment using GITLAB CI/CD
پیش بینی کارایی ماشین های تولید هوشمند با GITOPS، ArgoCD و Jenkins
Smart Manufacturing Machines Efficiency Prediction with GITOPS, ArgoCD & Jenkins
معرفی پروژه
Introduction to the Project
راه اندازی پروژه
Project Setup
تست نوت بوک Jupyter
Jupyter Notebook Testing
پردازش داده
Data Processing
آموزش مدل و پایپ لاین آموزش
Model Training and Training Pipeline
ساخت برنامه کاربری با استفاده از Flask و ChatGPT
User App Building using Flask and ChatGPT
نسخه برداری داده و کد، ساخت Dockerfile و Manifests
Data & Code Versioning , Dockerfile and Manifests Building
راه اندازی نمونه VM Google Cloud و پیکربندی های MINIKUBE
Google Cloud VM Instance Setup and MINIKUBE Configurations
نصب و پیکربندی Jenkins روی VM
Jenkins Installation and Configuration on VM
ادغام GITHUB با JENKINS
GITHUB Integration with JENKINS
پایپ لاین CI (Continuous Integration)
CI Pipeline ( Continuous Integration )
نصب و پیکربندی ArgoCD
ArgoCD Installation and Configuration
پایپ لاین CD (Continuous Deployment)
CD Pipeline ( Continuous Deployment )
اتوماسیون کامل CI-CD با استفاده از Jenkins، ArgoCD و WebHooks
Full CI-CD Automation using Jenkins , ArgoCD and WebHooks
نمایش نظرات