آموزش MLOps: مبانی CI/CD و استقرار مدل [ویدئویی] - آخرین آپدیت

سرفصل ها و درس ها

مقدمه‌ای بر MLOps Introduction to MLOps

• معرفی دوره Course Introduction

• شروع به کار با تیم یادگیری ماشین Getting Started with Machine Learning Team

• معرفی مهندس MLOps Introducing MLOps Engineer

• مقایسه DevOps و MLOps DevOps and MLOps - A Comparison

• چرخه حیات MLOps MLOps LifeCycle

• یکپارچگی مداوم (CI)، استقرار مداوم (CD)، آموزش مداوم (CT) و نظارت مداوم (CM) Continuous Integration (CI), Continuous Deployment (CD), Continuous Training (CT), Continuous Monitoring (CM)

• یافتن و بررسی ابزارهای مناسب DevOps برای MLOps Finding and Exploring Right Tools from DevOps for MLOps

• معماری MLOps MLOps Architecture

جمع‌آوری و آماده‌سازی داده‌ها Data Collection and Preparation

• جمع‌آوری و آماده‌سازی داده‌ها Data Collection and Preparation

• جذب داده‌ها و ETL Data Ingestion - ETL

• مفهوم دریاچه داده (Data Lake) Idea of Data Lake

• پاک‌سازی و تبدیل داده‌ها Data Cleaning and Data Transformation

• تبدیل داده‌های کوچک تا متوسط: Pandas و Polars Small to Medium Datasets Data Transformation: Pandas, Polars

• دمو: تبدیل داده‌های کوچک تا متوسط با Pandas و Polars Demo: Small to Medium Datasets Data Transformation: Pandas, Polars

• مجموعه داده‌های بزرگ: Apache Spark (PySpark) و Dask Large Datasets: Apache Spark (PySpark), Dask

• داده‌های جریانی: Apache Kafka و Apache Flink Streaming Datasets: Apache Kafka Apache Flink

• دمو: استریم داده‌ها با استفاده از Apache Kafka Demo: Stream Data using Apache Kafka

• فروشگاه ویژگی (Feature Store) چیست؟ What is Feature Store?

• ارکستراسیون خط لوله داده: Airflow و Prefect Data Pipeline Orchestration - Airflow, Perfect

• دمو: ارکستراسیون خط لوله داده Demo: Data Pipeline Orchestration

توسعه و آموزش مدل Model Development and Training

• توسعه مدل Model Development

• آموزش مدل و تنظیم هایپرپارامترها Model Training and Hyperparameter tuning

• دنیای CPUها و GPUها World of CPUs and GPUs

• مقدمه‌ای بر MLflow Introduction to MLflow

• دمو: راه‌اندازی MLflow Demo: Setting up MLflow

• دمو: اجرای یک آزمایش و ذخیره نتایج در MLflow Demo: Running an Experiment and Storing the Result on MLflow

• دمو: آرتیفکت‌های مدل و نسخه‌بندی در MLflow Demo: MLflow Model Artifact and Versioning

استقرار و سرو مدل Model Deployment and Serving

• سرو مدل (Model Serving) Model Serving

• رانش مدل و سروینگ آنلاین/آفلاین Model Drift and Online/Offline Serving

• استقرار و سرو مدل Model Deployment and Serving

• دمو: سرو مدل با استفاده از BentoML Demo: Model Serving using BentoML

• دمو: ارتقای نسخه‌های مدل با BentoML Serving Demo: Upgrading Model Versions with BentoML Serving

• ابزارهای نظارتی (Prometheus، Grafana، Evidently) Monitoring Tools (Prometheus, Grafana, Evidently)

اتوماسیون بررسی ادعاهای بیمه با MLflow و BentoML Automating Insurance Claim Reviews with MLflow and BentoML

• استقرار اپلیکیشن برای کارگزاران بیمه جهت آپلود ادعاهای بیمه Deploy App for Insurance Agents to Upload all Insurance Claims

• دمو: تولید داده‌های تستی برای پروژه Demo: Generate Dummy Data for the Project

• دمو: راه‌اندازی سرور MLflow و اجرای آزمایش ML Demo: Setup MLflow Server and Run the ML Experiment

• دمو: ثبت مدل و راه‌اندازی BentoML برای سرو مدل‌های ML Demo: Register the Model and Setup BentoML for Serving ML Models

• دمو: ارتقای اپلیکیشن Flask برای اتصال به BentoML جهت سرو آنلاین Demo: Upgrade Python Flask App to Connect to BentoML for Online Serving

امنیت و حاکمیت داده‌ها Data Security and Governance

• حریم خصوصی و امنیت داده‌ها Data Privacy and Data Security

• مدیریت دسترسی به داده‌ها Data Access Management

• بایگانی و نگهداری داده‌ها Data Retention

• ضرورت انطباق و استاندارد GDPR Need of Compliance and GDPR

• انطباق با استاندارد HIPAA HIPAA Compliance

• انطباق با استاندارد PCI PCI Compliance

• پیامدها و جریمه‌های عدم انطباق Compliance Consequences and Penalties

• خلاصه مباحث انطباق Compliance Summary

نگاهی کوتاه به AWS SageMaker Sneak Peek into AWS SageMaker

• مروری بر SageMaker Overview of SageMaker

• اجزای اصلی SageMaker Core Components of SageMaker

• پیاده‌سازی MLOps با SageMaker MLOps with SageMaker