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

آموزش MLOps از مبتدی تا پیشرفته در GCP - CI/CD، Kubernetes، Jenkins
جزییات دوره
54.5 hours
112
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
3,737
4.4 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

KRISHAI Technologies Private Limited KRISHAI Technologies Private Limited

مهندس هوش مصنوعی و یادگیری ماشین

Sudhanshu Gusain Sudhanshu Gusain

مدرس علم داده، یادگیری ماشین و هوش مصنوعی