آموزش MLOps Bootcamp: تسلط بر عملیات هوش مصنوعی برای موفقیت - AIOps

سرفصل ها و درس ها

معرفی کامل Bootcamp MLOps Introduction to Complete MLOps Bootcamp

• MLOs چیست و چرا What and Why MLOps

• MLOs چیست و چرا What and Why MLOps

• مراحل MLOps The Stages of MLOps

• مراحل MLOps Stages of MLOps

• کد منبع این دوره Source code for this course

• لینک دانلود اسلاید Slide Download Link

پایتون برای MLOps Python for MLOps

• درباره بخش About the Section

• آزمون پایتون Python Quiz

• مقدمه ای بر برنامه نویسی پایتون Introduction to Python Programming

• آناکوندا را نصب کنید Install Anaconda

• سلام دنیا - پایتون Hello World - Python

• گشت سریع آزمایشگاه ژوپیتر Jupyter Lab Quick Tour

• متغیرها در پایتون Variables in Python

• متغیرها در پایتون Variables in Python

• متغیرها - نظرات - سلول های علامت گذاری - Hands On Variables - Comments - Markdown Cells - Hands On

• Python Literals - Hands On Python Literals - Hands On

• عملگرها در زبان برنامه نویسی پایتون Operators in Python Programming Language

• مجموعه - رشته ها Collection - Strings

• رشته Python - توابع ساخته شده - Hands On Python String - Builtin Functions - Hands On

• ساختارهای داده - فهرست Data Structures - List

• ساختارهای داده - تاپل Data Structures - Tuples

• ساختارهای داده - فرهنگ لغت Data Structures - Dictionary

• ساختارهای داده - مجموعه ها Data Structures - Sets

• Casting صریح و ضمنی در برنامه نویسی پایتون Explicit and Implicit Casting in Python Programming

• خواندن ورودی از صفحه کلید Reading the Input from Keyboard

• قالب بندی رشته String Formatting

• عبارات کنترل - دستورات شرطی در پایتون Control Statements - Conditional Statements in Python

• بیانیه های کنترل - بیانیه های حلقه ای Control Statements - Looping Statements

• درک فهرست List comprehension

• کارکرد Functions

• ماژول ها در پایتون Modules in Python

• کلاس ها در پایتون Classes in Python

• مدیریت فایل در پایتون File Handling in Python

• کار با اسکریپت های پایتون Working with Python Scripts

• کتابخانه ها در پایتون Libraries in Python

Git و Github Fundamentals برای MLOs Git and Github Fundamentals for MLOps

• مقدمه ای بر سیستم های کنترل نسخه Introduction to Version Control Systems

• شروع کار با git Getting Started with git

• Local Repo vs Repo Repo Local Repo vs Remote Repo

• تنظیمات Git Git Configurations

• شروع کار با Local Repo Getting Started with Local Repo

• مفهوم دایرکتوری کاری - منطقه مرحله بندی - تعهد Concept of Working Directory - Staging Area - Commit

• Git Workflow - Local Repo Git Workflow - Local Repo

• شاخه گیت Git Branch

• تعویض شاخه ها Switching the Branches

• ادغام Merging

• بررسی تعهدات Checking Out Commits

• خدمات میزبانی گیت Git Hosting Services

• کار با مخازن از راه دور Working with Remote Repositories

• شبیه سازی و حذف شاخه ها Cloning and Delete Branches

• ادغام 3 طرفه 3 way merge

• خلاصه Summary

دوره Crash در YAML Crash Course on YAML

• دوره تصادف YAML YAML Crash Course

بسته بندی مدل های ML Packaging the ML Models

• مقدمه ای بر بسته بندی مدل های ML Introduction to Packaging the ML Models

• آزمایش معمولی با Dataset Typical Experimentation with Dataset

• برازش مدل و ایجاد پیش بینی Model fit and generate Predictions

• چالش های کار در نوت بوک Jupyter Challenges in Working inside the Jupyter Notebook

• آشنایی با برنامه نویسی ماژولار Understanding the Modular Programming

• ایجاد سلسله مراتب پوشه برای پروژه ML Creating Folder Hierarchy for ML Project

• ایجاد ماژول پیکربندی Create Config Module

• ماژول مدیریت داده ها Data Handling Module

• پیش پردازش داده بخش 1 Data Preprocessing part 1

• پیش پردازش داده قسمت 2 Data Preprocessing part 2

• خط لوله اسکلرن sklearn pipeline

• خط لوله آموزشی Training Pipeline

• خط لوله پیش بینی Prediction Pipeline

• رفع اشکال در اسکریپت های پایتون Fixes on Python Scripts

• مسیر پایتون را به MacOS اضافه کنید Add Python Path to MacOS

• اضافه کردن مسیر پایتون به ویندوز Add Python Path to Windows

• انجام آموزش و پیش بینی Perform Training and Predictions

• فایل txt مورد نیاز Requirements txt file

• تست محیط های مجازی جدید Testing the New Virtual Environments

• تست های پایتون را ایجاد کنید Create Python tests

• اجرای Pytest Running Pytest

• فایل Manifest را ایجاد کنید Create Manifest file

• فایل نسخه ایجاد کنید Create Version File

• setup.py را ایجاد کنید Create setup.py

• بسته بندی مدل ML و آزمایش Packagiing the ML Model & testing

• خلاصه Summary

Mlflow - آزمایشات ML را مدیریت کنید Mlflow - Manage ML experiments

• مقدمه ای بر Mlflow Introduction to Mlflow

• آماده شدن سیستم با mlflow Getting System Ready with mlflow

• توابع ورود به سیستم ردیابی Mlflow Logging Functions of Mlflow Tracking

• آموزش پایه Mlflow Basic Mlflow tutorial

• اکتشاف mlflow Exploration of mlflow

• تجربه یادگیری ماشین در MLFlow Machine Learning Experiement on MLFlow

• ایجاد مدل ML برای پیش بینی وام Create ML Model for Loan Prediction

• پروژه MLFlow MLFlow Project

• مدل های MLFlow MLFlow Models

• راه اندازی پایگاه داده MySql به صورت محلی Setting Up MySql Database Locally

• Log Model Metrics در MySql Log Model Metrics in MySql

• ثبت مدل و سرویس مدل Register the Model & Serve the Model

• خلاصه Summary

داکر برای یادگیری ماشین Docker for Machine Learning

• داکر برای یادگیری ماشین Docker for Machine Learning

• مقدمه ای بر داکر Introduction to Docker

• نصب Docker Desktop Installation of Docker Desktop

• کار با داکر Working with Docker

• اجرای Docker Container Running the Docker Container

• کار با Dockerfile Working with Dockerfile

• تصویر Docker را به DockerHub فشار دهید Push the Docker Image to DockerHub

• Docker کردن مدل ML Dockerize the ML Model

• بسته بندی کد آموزشی در Docker Environment & Summary Packaging the training code in Docker Environment & Summary

MLApps را با استفاده از FastAPI بسازید Build MLApps using FastAPI

• API، REST و REST API چیست What is API, REST and REST API

• REST API چگونه کار می کند؟ How REST API Works ?

• FastAPI چیست What is FastAPI

• دوره Crash در FastAPI Crash course on FastAPI

• اعتبار سنجی داده ها با Pydantic Data Validation with Pydantic

• استقرار مدل یادگیری ماشین با FastAPI Deploying the Machine Learning Model with FastAPI

MLApps را با استفاده از Streamlit بسازید Build MLApps using Streamlit

• مقدمه ای بر استریمیت Introduction to Streamit

• دست در کار با Streamlit Hands On Working with Streamlit

• ساخت مدل ML با Streamlit Building the ML Model with Streamlit

MLApps را با استفاده از Flask بسازید Build MLApps using Flask

• فلاسک چیست؟ What is Flask ?

• دستی در یادگیری کتابخانه فلاسک Hands On Learning of Flask Library

• ساخت اپلیکیشن ML Model با Flask Build ML Model App with Flask

سیستم عامل Lnux برای DevOps و Data Scientists Lnux Operating System for DevOps and Data Scientists

• دستور کار این بخش Agenda of this section

• ویژگی های لینوکس و Bash Linux Features & Bash

• نحوه راه‌اندازی نمونه‌های EC2 (بازخوانی سریع) How to Launch EC2 Instances (Quick Refresh)

• دستورات پایه لینوکس لینوکس Basic Linux Commands of Linux

کار با CI CD Tool Jenkins Working with CI CD Tool Jenkins

• مقدمه ای بر جنکینز Introduction to Jenkins

• چگونه از جنکینز در MLO استفاده کنیم؟ How do we Use Jenkins in MLOps

• مدل ML را آماده و بسته بندی کنید Prepare and Package ML Model

• به عنوان API با FASTAPI مستقر شود Deploy as API with FASTAPI

• برنامه FastAPI را تست کنید Test FastAPI App

• Dockerfile ایجاد کنید Create Dockerfile

• نمایش پورت برنامه طبق Dockerfile Exposing the Application Port as per Dockerfile

• با استفاده از ظروف Docker به صورت محلی تست کنید Test Locally using Docker Containers

• نصب جنکینز در نمونه های AWS EC2 Installation of Jenkins on AWS EC2 Instances

• نصب داکر در نمونه EC2 Installation of Docker in EC2 Instance

• پیکربندی Github Repo - Webhook - Jenkins Credentials Configure Github Repo - Webhook - Jenkins Credentials

• مقدمه ای بر پروژه های جنکینز فری استایل و مشاغل خط لوله Introduction to Jenkins FreeStyle Projects and Pipeline Jobs

• کاوش در رابط کاربری جنکینز Exploration of Jenkins UI

• اولین پروژه جنکینز خود را ایجاد کنید Create your first First Jenkins Project

• Github Webhook را با جنکینز تست کنید Test Github Webhook with Jenkins

• نصب Docker Plugin & System Readiness Installation of Docker Plugin & System Readiness

• اعلان ایمیل را با جیمیل تنظیم کنید Setup Email Notification with Gmail

• مقدمه ای بر خط لوله CI CT CD Introduction to CI CT CD Pipeline

• ایجاد خط لوله CI CT CD - Github Dockerhub Create CI CT CD Pipeline - Github Dockerhub

• ایجاد خط لوله CI CT CD - آموزش Create CI CT CD Pipeline - Training

• ایجاد خط لوله CI CT CD - تست Create CI CT CD Pipeline - Testing

• ایجاد خط لوله CI CT CD - Deployment Create CI CT CD Pipeline - Deployment

• انجام تست خط لوله Perform Test of Pipeline

• خلاصه Summary

مانیتورینگ و اشکال زدایی سیستم ML Monitoring and Debugging of ML System

• چرا نظارت بر مدل های یادگیری ماشین مهم است؟ Why Monitoring Machine Learning Models is Important

• نظارت بر مدل‌های ML و زمان به‌روزرسانی مدل در تولید چیست؟ What is Monitoring of ML models & When to Update Model in Production

• چرا نظارت بر مدل های یادگیری ماشین دشوار است؟ Why Monitoring Machine Learning Models is Difficult

• چالش - چه کسی مالک چیست؟ Challenge - Who Owns what ?

• نظارت بر سطح عملکردی Functional Level Monitoring

• دریفت مدل Model Drift

• نظارت بر سطح عملیاتی Operational Level Monitoring

• ابزارها و بهترین شیوه های نظارت بر مدل یادگیری ماشینی Tools and Best Practices of Machine Learning Model Monitoring

نظارت مستمر با پرومتئوس Continuous Monitoring with Prometheus

• مقدمه ای بر نظارت مستمر Introduction to Continuous Monitoring

• مورد استفاده در نظارت مستمر Use case on Continuous Monitoring

• مقدمه ای بر پرومتئوس Introduction to Prometheus

• معماری پرومتئوس Architecture of Prometheus

• انواع متریک پرومتئوس Metric Types of Prometheus

• نصب پرومتئوس Installation of Prometheus

• مقدمه گرافانا Introduction Grafana

• نصب گرافانا Installation of Grafana

• فایل پیکربندی Prometheus Prometheus Configuration file

• کاوش در پرس و جوی اساسی پرومتئوس Exploring the Basic Querying Prometheus

• زیرساخت را با پرومتئوس نظارت کنید Monitor the Infrastructure with Prometheus

• با Node Exporter سرور لینوکس را مانیتور کنید Monitor the Linux Server with Node Exporter

• با استفاده از Prometheus بر برنامه مشتری نظارت کنید Monitor the Client Application using Prometheus

• برنامه FastAPI را با استفاده از Prometheus نظارت کنید Monitor the FastAPI Application using Prometheus

• تمام نقاط پایانی را با استفاده از Prometheus مانیتور کنید Monitor All EndPoints using Prometheus

• ایجاد تجسم با Grafana Create Visualization with Grafana

• با Grafana هشدارها را راه اندازی کنید Trigger Alerts with Grafana

استقرار برنامه ها با Docker Compose Deploy Applications with Docker Compose

• مقدمه ای بر Docker Compose Introduction to Docker Compose

• Hands On - Docker Compose with Flask Application Hands On - Docker Compose with Flask Application

• Hands On - Docker Compose Prometheus Grafana Hands On - Docker Compose Prometheus Grafana

نظارت مستمر برنامه یادگیری ماشین Continuous Monitoring of Machine Learning Application

• معماری نظارت بر برنامه ML Architecture of ML Application Monitoring

• نظارت بر برنامه ML با استفاده از Prometheus Hands On Monitoring of ML Application using Prometheus

سیستم ML را با WhyLogs مانیتور کنید Monitor the ML System with WhyLogs

• مقدمه ای بر مانیتورینگ ML Introduction to ML Monitoring

• راه اندازی WhyLabs Setting Up WhyLabs

• Whylogs - تشخیص دریفت، ورودی، خروجی، نظارت بر تعصب Whylogs - Drift Detection, Input, Output, Bias Monitoring

• WhyLogs - محدودیت ها و گزارش های دریفت WhyLogs - Constraints and Drift Reports

• خلاصه Summary

پس از تولید مدل های ML Post Productionizing ML Models

• مدل‌های ML پس از تولید - بعد چه؟ Post-Productionalizing ML Models - What Next ?

• امنیت مدل Model Security

• حمله دشمن Adversarial Attack

• حمله مسمومیت داده ها Data Poisoning Attack

• حمله انکار سرویس توزیع شده (DDOS) Distributed Denial of Service Attack (DDOS)

• حمله به حریم خصوصی داده ها Data Privacy Attack

• چگونه خطر حملات مدل را کاهش دهیم How to Mitigate Risk of Model Attacks

• تست A/B A/B Testing

• آینده MLOps Future of MLOps

مرجع: شروع به کار با AWS Reference : Getting Started with AWS

• در این بخش چه مواردی را پوشش می دهیم؟ What do we cover in this section ?

• ایجاد حساب AWS Create AWS Account

• راه اندازی MFA در حساب ریشه Setting up MFA on Root Account

• حساب IAM و نام مستعار حساب ایجاد کنید Create IAM Account and Account Alias

• CLI را با اعتبارنامه راه اندازی کنید Setup CLI with Credentials

• سیاست IAM IAM Policy

• مولد سیاست IAM و پیوست IAM Policy generator & attachment

• کاربر IAM را حذف کنید Delete the IAM User

• S3 سطل و کلاس های ذخیره سازی S3 Bucket and Storage Classes

• ایجاد S3 Bucket از کنسول Creation of S3 Bucket from Console

• ایجاد S3 Bucket از CLI Creation of S3 Bucket from CLI

• فعال سازی نسخه در S3 Version Enablement in S3

• معرفی نمونه های EC2 Introduction EC2 instances

• نمونه EC2 و SSH را در نمونه های EC2 راه اندازی کنید Launch EC2 instance & SSH into EC2 Instances

• پاکسازی فعالیت Clean Up Activity

Python for Data Science - Numpy - Pandas - Matplotlib - (بخش اختیاری) Python for Data Science - Numpy - Pandas - Matplotlib - (Optional Section)

• آشنایی با کتابخانه Numpy Introduction to Numpy Library

• مبانی شی آرایه numpy Basics of numpy array object

• راهنمای وارد کردن Numpy & Access Import Numpy & Access help

• ایجاد شی آرایه - np.array() Creation of Array Object - np.array()

• ویژگی های Numpy Array Attributes of Numpy Array

• نمایه سازی و برش آرایه Array Indexing and Slicing

• توابع ایجاد آرایه Array Creation Functions

• کپی آرایه ها Copy Arrays

• عملیات ریاضی روی آرایه های Numpy Mathematical Operation on Numpy Arrays

• توابع جبر خطی در Numpy Linear Algebra Functions in Numpy

• اصلاح شکل آرایه ها Shape Modification of Arrays

• np.arange() np.arange()

• عملگرهای رابطه ای و توابع تجمع در آرایه های Numpy Relational Operators & Aggregation Functions on Numpy Arrays

• ماسک بولی Boolean Masking

• پخش بر روی Numpy Arrays Broadcasting on Numpy Arrays

• خلاصه سفر Numpy Library Summary of Numpy Library Journey

• آشنایی با پانداها Introduction to Pandas

• کار با سری پانداها Working with Pandas Series

• عملیات ریاضی روی سری پانداها Mathematical Operation on Pandas Series

• فریم های داده در پانداها Dataframes in Pandas

• کار با داده در Pandas DataFrame Working with Data in Pandas DataFrame

• ترکیب DataFrames Combining the DataFrames

• سایر عملکردها در Pandas DataFrame Other Functions on Pandas DataFrame

• توابع پیشرفته در Pandas DataFrame Advanced Functions in Pandas DataFrame

• مقدمه ای بر EDA Introduction to EDA

• دسترسی به Google Colab Accessing Google Colab

• بارگیری مجموعه داده بزرگ برای کار Loading the Large Dataset for Working

• تجزیه و تحلیل اولیه در DataFrame Preliminary Analysis on DataFrame

• مقادیر تهی در Dataframe Null values in the Dataframe

• پاکسازی داده ها Data Cleaning

• مقدمه ای بر تجسم داده ها Introduction to Data Visualization

• مبانی Matplotlib Matplotlib Basics

• انواع پلات - طرح خطی Types of Plot - Line plot

• توطئه های خط دست در Line Plots Hands On

• تنظیم پلات ها Adjusting the Plots

• پلات تنظیم دست در Plot Adjustment Hands On

• طرح پراکنده Scatter Plot

• پراکنده طرح دست در Scatter Plot hands on

• طرح هیستورگرام Historgram Plot

• معرفی Seaborn Introduction to Seaborn

• کاوش در داده ها Exploring the data

• نمودارهای تک متغیره و دو متغیره - داده های پیوسته Univariate & Bivariate Plots - Continuous Data

• طرح - داده های طبقه بندی شده Plot - Categorical Data

• نقشه های پیشرفته در Seaborn Advanced Plots in Seaborn

• از کدام طرح استفاده کنیم؟ Which Plot to use ?

ضمیمه Appendix

• MLO با MLFlow در 1 ساعت MLOps with MLFlow in 1 Hour

• Kubernetes 101 قسمت 1 Kubernetes 101 Part 1

• Kubernetes 101 قسمت 2 Kubernetes 101 Part 2

• هوش مصنوعی مولد و مقدمه مهندسی سریع Generative AI and Prompt Engineering Introduction