آموزش اتوماسیون، ارزیابی و استقرار مطمئن مدل‌های یادگیری ماشین (ML) - آخرین آپدیت

دانلود Automate, Evaluate and Deploy ML Models Confidently

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: از اجازه دادن به استقرار‌های دستی که باعث ایجاد گلوگاه‌ها و افزایش ریسک می‌شود، دست بکشید. دوره «اتوماسیون، ارزیابی و استقرار مطمئن مدل‌های یادگیری ماشین» یک دوره عملی است که برای مهندسان ML و دانشمندان داده طراحی شده تا بر MLOps در سطح تولید (Production-grade) مسلط شوند. در این دوره، شما فراتر از دنبال کردن امتیازات ساده‌ی دقت (Accuracy)، یاد می‌گیرید که با تحلیل آزمون‌های بهینه‌سازی هایپرپارامترها از طریق Optuna، تصمیمات پیچیده و داده‌محور بگیرید و تعادلی تخصصی بین عملکرد فنی و شاخص‌های کلیدی کسب‌وکار (KPIs) مانند هزینه استنتاج (Inference Cost) و تأخیر (Latency) برقرار کنید. هسته اصلی این دوره، ساخت یک خط لوله (Pipeline) کامل CI/CD از پایه با استفاده از GitHub Actions است. شما MLflow را برای ردیابی جامع آزمایش‌ها و بازتولیدپذیری ادغام خواهد کردید و گیت‌های اعتبارسنجی حیاتی را پیاده‌سازی می‌کنید که به طور خودکار از رسیدن مدل‌های با عملکرد ضعیف به محیط تولید جلوگیری می‌کند. در پایان این دوره، شما یک پروژه آماده برای پورتفولیو خواهید داشت که ثابت می‌کند می‌توانید سیستم‌های یادگیری ماشین قابل اعتماد، خودکار و مقیاس‌پذیر را با اطمینان استقرار کنید و شکاف حیاتی بین آزمایشگاه و ارزش واقعی در دنیای واقعی را پر کنید. پس از اتمام، به یادگیرندگان توصیه می‌شود تخصص خود را با «تخصص MLOps» یا بررسی تکنیک‌های پیشرفته مدل‌سازی در «تخصص یادگیری عمیق» عمیق‌تر کنند.

سرفصل ها و درس ها

انتخاب مدل از طریق آزمون‌های بهینه‌سازی Model Selection from Optimization Trials

دقت بیشتر همیشه به معنای بهتر بودن نیست More Accurate Isn't Always Better
تحلیل لاگ‌ها با Optuna Analyzing Logs with Optuna

یکپارچه‌سازی مستمر برای گردش‌کارهای یادگیری ماشین Continuous Integration for ML Workflows

از مشقت‌های دستی به استقرار خودکار From Manual Drudgery to Automated Deployment
راه‌اندازی محیط پایتون برای CI/CD مطمئن (بخش اول) Setting Up a Python Environment for Reliable CI/CD (Part 1)
پیکربندی خط لوله CI/CD برای آموزش و اعتبارسنجی مدل Configuring a CI/CD Pipeline for Model Training and Validation