آموزش داکر برای هوش مصنوعی و یادگیری ماشین (Docker for AI/ML) - آخرین آپدیت

دانلود Docker for AI/ML

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره دارای قابلیت Coursera Coach است! روشی هوشمندتر برای یادگیری با گفتگوهای تعاملی و بلادرنگ که به شما کمک می‌کند تا دانش خود را آزمایش کنید، فرضیات را به چالش بکشید و در حین پیشروی در دوره، درک خود را عمیق‌تر کنید. در این دوره، شما درکی عمیق از نحوه ادغام داکر با یادگیری ماشین (ML) و هوش مصنوعی (AI) به دست خواهید آورد. داکر ابزاری قدرتمند است که استقرار و مدیریت برنامه‌های ML/AI را ساده می‌کند و آن را به تکنولوژی حیاتی برای جریان‌های کاری کارآمد تبدیل می‌سازد. شما با یادگیری اهمیت داکر در زمینه ML و AI شروع خواهید کرد، سپس به سراغ نصب داکر روی سیستم، پیکربندی ابزارها و ورود به پروژه‌های عملی خواهید رفت. ساختار دوره بر اساس سناریوهای کاربردی است، مانند ساخت محیط توسعه برای MLFlow و Jupyter، کانتینری کردن برنامه‌های یادگیری ماشین و شبیه‌سازی سیستم‌های ML در سطح عملیاتی (Production) با استفاده از Docker Compose. هر بخش بر اساس بخش قبلی ساخته شده تا درک جامعی از نقش داکر در گردش کارهای AI/ML حاصل شود. دوره با موضوعات متمرکز، از جمله ادغام مدل‌های زبانی بزرگ (LLMs) و استفاده از Docker Model Runner برای استقرار محلی پیش می‌رود. این دوره برای توسعه‌دهندگان، دانشمندان داده و متخصصان AI/ML که مایل به ارتقای توانایی خود در استقرار و مدیریت سیستم‌های یادگیری ماشین با داکر هستند، ایده‌آل است. این محتوا برای کسانی که درک پایه‌ای از داکر، اصول AI/ML و توسعه نرم‌افزار دارند مناسب است، زیرا تمرکز اصلی بر تجربه عملی است. سطح دشواری این دوره متوسط است. در پایان این دوره، شما قادر خواهید بود محیط‌های ML/AI را با داکر راه‌اندازی کنید، برنامه‌ها را کانتینری کنید، سیستم‌های ML در سطح عملیاتی را شبیه‌سازی نمایید و مدل‌های هوش مصنوعی را در کانتینرهای داکر مستقر و مدیریت کنید.

سرفصل ها و درس ها

مقدمه Introduction

  • چرا و چگونه داکر برای یادگیری ماشین و هوش مصنوعی اهمیت دارد Why and How Docker is important for Machine Learning / Artificial Intelligence

  • مرور مجدد: اهمیت داکر در یادگیری ماشین و هوش مصنوعی Why and How Docker is important for Machine Learning / Artificial Intelligence (Revisit)

  • داکر در دنیای LLMها و هوش مصنوعی Agentic Docker in the world of LLMs and Agentic AI

  • نصب و اعتبارسنجی Docker Desktop Installing and validating Docker Desktop

  • آماده‌سازی ابزارها و محیط مورد نیاز دوره Setting up tools and environment for this course

راه‌اندازی و مدیریت محیط‌های توسعه ML با داکر Launch and Operate ML Dev Environments with Docker

  • پروژه: راه‌اندازی محیط توسعه ML با داکر (MLFlow و Jupyter) Project - Setup ML Dev Environment with Docker (MLFlow and Jupyter)

  • مفاهیم داکر: تصاویر، کانتینر، رجیستری، ریپازیتوری و دریافت تصاویر Docker Concepts - Images, Container, Registry, Repository. Pulling Images

  • اجرا، تحلیل و اتصال به کانتینر MLFlow Launch, Analyse, and Connect to MLFlow Container

  • عملیات کانتینر: گزینه‌های رایج، جدا شدن، لیست کردن و مدیریت کانتینرها Container Operations - Common options, Detaching, Listing, Managing Containers

  • راه‌اندازی محیط نوت‌بوک JupyterLabs با Volume مشترک با میزبان Launch JupyterLabs Notebook Environment with a Volume shared with Host

  • نوشتن و اجرای یک پروژه ساده ML با نوت‌بوک Jupyter میزبانی شده در کانتینر Writing and executing a simple ML Project with Container Hosted Jupyter Notebook

  • اتصال نوت‌بوک به کانتینر MLFlow برای ردیابی آزمایش‌ها Connect Notebook with MLFlow Container for Experiment Tracking

بسته‌بندی برنامه‌های ML به عنوان تصاویر کانتینری با Dockerfiles Packaging ML Apps as Container Images with Dockerfiles

  • پروژه Nebula: کانتینری کردن اپلیکیشن ML مشاوره تکنولوژی و میزبانی در Hugging Face Project Nebula - Containerize Tech Stack Advisor ML App and Host it on Hugging Face

  • ساخت و تست پروژه ML و آموزش مدل Build and test the ML Project and Train the Model

  • چرا و چگونه ابتدا تصاویر کانتینر را به صورت دستی بسازیم؟ Why and how to build Container Images Manually First?

  • ساخت گام‌به‌گام تصویر کانتینر با استفاده از رویکرد Imperative Building a container image step by step using the Imperative Approach

  • ساخت و تست تصویر با استفاده از Dockerfile Building and Testing the Image using Dockerfile

  • تحلیل، تگ‌گذاری و انتشار تصاویر کانتینر Analyzing, Tagging and Publishing Container Images

  • چگونه Dockerfile بنویسیم؟ بررسی سریع دستورات How to write Dockerfile? Instructions Quick Dive

  • استقرار و میزبانی اپلیکیشن کانتینری در Hugging Face Spaces Deploy and Host Containerized App to Hugging Face Spaces

شبیه‌سازی سیستم‌های ML سطح عملیاتی در محیط توسعه با Docker Compose Simulating Production Grade ML Systems in Dev with Docker Compose

  • پروژه: ساخت و استقرار اپلیکیشن ML پیش‌بینی قیمت خانه در محیط توسعه با Docker Compose Project - Build and Deploy House Price Predictions ML App in Dev with Docker Compose

  • درک استک اپلیکیشن و جریان کاری یادگیری ماشین Understanding the Application Stack and the ML Workflow

  • اتوماسیون اجرای MLFlow با کدنویسی Compose Spec و یادگیری سینتکس Compose Automate MLFlow Launch with Code by writing Compose Spec, Learn Compose Syntax

  • اجرای خط لوله پردازش داده‌ها، مهندسی ویژگی‌ها و آموزش مدل برای پیش‌بینی قیمت خانه Run the Data Processing, Feature Engineering and Model Training Pipeline for House Price Prediction

  • ترکیب اپلیکیشن‌های FastAPI و Streamlit با Compose Spec چند سرویسه Composing FastAPI and Streamlit Apps with Multi Service Compose Spec

  • اتصال سرویس‌ها با استفاده از Service Discovery مبتنی بر DNS در Docker Compose Connecting Services using DNS-Based Service Discovery offered by Docker Compose

اجرای مدل‌های زبانی بزرگ (LLMs) به صورت محلی با Docker Model Runner Running LLMs Locally with Docker Model Runner

  • پروژه: ادغام اپلیکیشن LocalGPT با مدل LLM محلی با استفاده از Docker Model Runner Project - Integrate LocalGPT App with Locally Running LLM using Docker Model Runner

  • داکر مدل رانر چیست و چگونه آن را با Docker Desktop تنظیم کنیم؟ What is Docker Model Runner? How to Set it up with Docker Desktop?

  • بررسی Docker Model Runner: دریافت مدل LLM از کاتالوگ Gen AI و اجرای آن Exploring Docker Model Runner - Pull a LLM Model from Gen AI Catalogue and Run it

  • اجرای اپلیکیشن LocalGPT با Docker Model Runner و اتصال سازگار با OpenAI Launching LocalGPT App with Docker Model Runner with OpenAI Compatible Connection

  • پیکربندی Docker Model Runner به عنوان یک Provider در Compose Configuring Docker Model Runner as a Provider to Compose

بررسی پروتکل مدل کانتکست با Docker MCP Toolkit Exploring Model Context Protocol with Docker MCP Toolkit

  • پروژه: بررسی Docker MCP Toolkit Project - Explore Docker MCP Toolkit

  • پروتکل مدل کانتکست (MCP) چیست و چگونه زیربنای AI Agentic را می‌سازد What is Model Context Protocol (MCP) and how it sets the foundation for Agentic AI

  • شروع کار با Docker MCP Toolkit و کاتالوگ MCP با Gordon AI Getting started with Docker MCP Toolkit and MCP Catalogue with Gordon AI

  • استفاده از Filesystem MCP Server Using Filesystem MCP Server

  • اتصال امن به GitHub MCP Server و استفاده از دسترسی Read Only Securely connecting to GitHub MCP Server and using Read-Only Access

  • تولید خودکار کد، کنترل نسخه و ارسال به گیت‌هاب با MCP Auto-generating Code, Revision Controlling it, and Pushing it to GitHub with MCP

نمایش نظرات

آموزش داکر برای هوش مصنوعی و یادگیری ماشین (Docker for AI/ML)
جزییات دوره
8h 23m
37
(آخرین آپدیت)
101
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده