راهنمای کامل اصول پایتون برای MLOps

Complete Guide to Python Fundamentals for MLOps

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:

این دوره جامع مهارت های ضروری پایتون برای موفقیت در نقش های MLOps را پوشش می دهد. با اصول برنامه نویسی پایتون شروع کنید: انواع داده ها، ساختارها، توابع و ماژول ها. از طریق تمرینات عملی، تکنیک های تست، دستکاری داده ها و تجزیه و تحلیل را بیاموزید. موضوعات دیگر شامل کار با مجموعه داده ها با استفاده از پانداها و NumPy، API ها و SDK ها، اتوماسیون با ابزارهای خط فرمان، و ساخت API های یادگیری ماشین است. چه در MLO ها تازه کار باشید و چه یک حرفه ای با تجربه، این دوره شما را با مهارت های اساسی پایتون برای برتری در نقش های عملیات یادگیری ماشین مجهز می کند.

توجه: این دوره توسط آزمایشگاه هوش مصنوعی Pragmatic ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه ای بر پایتون Introduction to Python

1. کار با متغیرها و انواع 1. Working with Variables and Types

  • شرایط و ارزیابی ها Conditionals and evaluations

  • گرفتن و رسیدگی به استثناها Catching and handling exceptions

  • کار با انواع داده های مختلف Working with different data types

  • متغیرها و تکالیف Variables and assignments

  • مقدمه درس: کار با متغیرها و انواع Lesson introduction: Working with variables and types

  • خلاصه درس: متغیرها و انواع Lesson recap: Variables and types

2. مقدمه ای بر ساختارهای داده 2. Introduction to Data Structures

  • سایر ساختارهای داده: تاپل ها و مجموعه ها Other data structures: Tuples and sets

  • مقدمه ای بر فرهنگ لغت Introduction to dictionaries

  • مقدمه درس: ساختارهای داده پایتون Lesson introduction: Python data structures

  • ایجاد و تکرار بر روی لیست ها Creating and iterating over lists

  • ایجاد و تکرار بر روی فرهنگ لغت Creating and iterating over dictionaries

  • مقدمه ای بر لیست ها Introduction to lists

  • خلاصه درس: ساختارهای داده پایتون Lesson recap: Python data structures

3. افزودن و استخراج داده ها از ساختارهای داده 3. Adding and Extracting Data from Data Structures

  • خلاصه درس: اضافه کردن و استخراج داده ها Lesson recap: Adding and extracting data

  • استخراج داده ها از لیست ها Extracting data from lists

  • افزودن داده ها به لیست ها Adding data to lists

  • مقدمه درس: اضافه کردن و استخراج داده ها Lesson introduction: Adding and extracting data

  • استخراج داده ها از فرهنگ لغت Extracting data from dictionaries

4. توابع و کلاس های پایتون: کار با توابع 4. Python Functions and Classes: Working with Functions

  • خلاصه درس: کار با توابع Lesson recap: Working with functions

  • ساختار و مقادیر تابع Function structure and values

  • مقدمه درس: کار با توابع Lesson introduction: Working with functions

  • آرگومان های متغیر و کلیدواژه Variable and keyword arguments

  • آرگومان های تابع Function arguments

5. توابع و کلاس های پایتون: ساخت کلاس ها و روش ها 5. Python Functions and Classes: Building Classes and Methods

  • مقدمه درس: ساخت کلاس ها و روش ها Lesson introduction: Building classes and methods

  • اضافه کردن روش ها Adding methods

  • وراثت طبقاتی Class inheritance

  • معرفی کلاس ها Introduction to classes

  • خلاصه درس: ساخت کلاس ها و روش ها Lesson recap: Building classes and methods

  • با استفاده از سازنده Using a constructor

6. توابع و کلاس های پایتون: ماژول ها و استفاده پیشرفته 6. Python Functions and Classes: Modules and Advanced Usage

  • کار با اسکریپت های پایتون Working with Python scripts

  • مقدمه ای بر ماژول های پایتون Introduction to Python modules

  • مقدمه درس: ماژول ها و کاربردهای پیشرفته Lesson introduction: Modules and advanced usages

  • محیط های مجازی و وابستگی ها Virtual environments and dependencies

  • کار با واردات Working with imports

  • خلاصه درس: ماژول ها و کاربردهای پیشرفته Lesson recap: Modules and advanced usages

7. تست در پایتون: مقدمه ای بر تست 7. Testing in Python: Introduction to Testing

  • خلاصه درس: نوشتن و اجرای تست ها Lesson recap: Writing and executing tests

  • تست با pytest Testing with pytest

  • انگیزه های تست در پایتون Motivations for testing in Python

  • قراردادهای تست Testing conventions

  • مقدمه درس: نوشتن و اجرای تست Lesson introduction: Writing and executing tests

8. تست در پایتون: نوشتن تست های مفید 8. Testing in Python: Writing Useful Tests

  • کلاس های تست در مقابل توابع تست Test classes vs. test functions

  • مقدمه درس: نوشتن تست های مفید Lesson introduction: Writing useful tests

  • خلاصه درس: نوشتن تست های مفید Lesson recap: Writing useful tests

  • استفاده از طرح ادعا در پای تست Using plan asserts in pytest

  • کلاس های تست نگارش Writing test classes

  • تست های پارامترسازی Parameterizing tests

9. تست در پایتون: تست شکست 9. Testing in Python: Testing Failures

  • اشکال زدایی پایتون با PDB Python debugging with PDB

  • خلاصه درس: شکست در تست Lesson recap: Testing failures

  • خروجی شکست تست Test failure output

  • مقدمه درس: شکست های تست Lesson introduction: Testing failures

  • سایر گزینه های pytest runner Other pytest runner options

  • وسایل pytest pytest fixtures

10. مقدمه ای بر پانداها و NumPy: استفاده اولیه از پانداها 10. Introduction to pandas and NumPy: Basic pandas Usage

  • نوشتن داده ها از پانداها DataFrames Writing data from pandas DataFrames

  • خلاصه درس: استفاده اولیه از پانداها Lesson recap: Basic pandas usage

  • تجزیه و تحلیل اکتشافی با پانداها Exploratory analysis with pandas

  • آشنایی با پانداها Introduction to pandas

  • مقدمه درس: استفاده اولیه از پانداها Lesson introduction: Basic pandas usage

  • بارگیری داده ها در پانداها Loading data into pandas

11. مقدمه ای بر پانداها و NumPy: کار با DataFrames 11. Introduction to pandas and NumPy: Working with DataFrames

  • مقدمه درس: کار با DataFrames Lesson introduction: Working with DataFrames

  • دستکاری متن در DataFrames Manipulating text in DataFrames

  • عملیات مشترک DataFrame Common DataFrame operations

  • اعمال توابع با پانداها Applying functions with pandas

  • خلاصه درس: کار با DataFrames Lesson recap: Working with DataFrames

  • تجسم داده ها با پانداها Visualizing data with pandas

12. مقدمه ای بر پانداها و NumPy: مبانی NumPy 12. Introduction to pandas and NumPy: NumPy Basics

  • عملیات آرایه NumPy بیشتر More NumPy array operations

  • مقدمه ای بر آرایه های NumPy Introduction to NumPy arrays

  • خلاصه درس: اصول NumPy Lesson recap: NumPy basics

  • مقدمه درس: مبانی NumPy Lesson introduction: NumPy basics

  • عملیات مشترک آرایه NumPy Common NumPy array operations

13. Python کاربردی برای MLOps: کار با API و SDK 13. Applied Python for MLOps: Working with APIs and SDKs

  • مجموعه داده های صورت در آغوش گرفته Hugging Face datasets

  • خلاصه درس: API و SDK Lesson recap: APIs and SDKs

  • ترانسفورماتورهای صورت بغل کردن Hugging Face transformers

  • نصب رابط خط فرمان Azure (CLI) Installing the Azure command-line interface (CLI)

  • مقدمه درس: API و SDK Lesson introduction: APIs and SDKs

  • مجموعه داده های باز Azure Azure open datasets

  • Azure ML Studio با پایتون Azure ML Studio with Python

14. پایتون کاربردی برای MLOps: اتوماسیون با ابزارهای خط فرمان 14. Applied Python for MLOps: Automation with Command-Line Tools

  • ایجاد یک اسکریپت فایل واحد Creating a single file script

  • با استفاده از چارچوب کلیک کنید Using the Click framework

  • اعلام وابستگی ها Declaring dependencies

  • حل مشکل یادگیری ماشین با ابزار CLI Solving a machine learning problem with a CLI tool

  • بسته بندی پروژه شما Packaging your project

  • با استفاده از چارچوب argparse Using the argparse framework

  • خلاصه درس: اتوماسیون با ابزارهای خط فرمان Lesson recap: Automation with command-line tools

  • مقدمه درس: اتوماسیون با ابزارهای خط فرمان Lesson introduction: Automation with command-line tools

15. Python کاربردی برای MLOps: Building Machine Learning APIs 15. Applied Python for MLOps: Building Machine Learning APIs

  • مقدمه ای بر چارچوب FastAPI Introduction to the FastAPI framework

  • ساخت API با FastAPI Building an API with FastAPI

  • بهترین روش های Python API Python API best practices

  • ساخت API با Flask Building an API with Flask

  • خلاصه درس: ساخت APIهای یادگیری ماشین Lesson recap: Building machine learning APIs

  • مقدمه ای بر چارچوب Flask Introduction to the Flask framework

  • مقدمه درس: ساخت APIهای یادگیری ماشین Lesson introduction: Building machine learning APIs

نمایش نظرات

راهنمای کامل اصول پایتون برای MLOps
جزییات دوره
5h 54m
92
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
48
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Pragmatic AI Labs Pragmatic AI Labs

آزمایشگاه‌های هوش مصنوعی عمل‌گرا یک آموزش‌دهنده فناوری است.

آزمایشگاه‌های هوش مصنوعی عملی همه را، صرف‌نظر از ابزار یا پیش‌زمینه، به دانشی برای تغییر خود و ارتقای جوامع خود مجهز می‌کند. آزمایشگاه‌های هوش مصنوعی عملگرا تلاش می‌کنند تا آموزش را دموکراتیک کرده و زندگی را از طریق فناوری خلاقانه و اخلاقی تقویت کنند. با مدرسان برجسته از دانشگاه‌های برتر با تجربه صنعت در دنیای واقعی، برنامه‌های آن بر ارائه مهارت‌های در دسترس و پیشرفته تمرکز دارد که منجر به تحقق مشاغل و در عین حال اجتناب از آسیب و بهبود رفاه انسان می‌شود.

Alfredo Deza Alfredo Deza

آلفردو دزا نویسنده، المپیکی و استاد کمکی در دانشگاه دوک است.

آلفردو نزدیک به دو دهه تجربه DevOps و مهندسی نرم افزار دارد و چندین کتاب درباره DevOps و Python از جمله Python for DevOps<نوشته است./i> و MLOهای عملی. زمینه های تخصص او عبارتند از Azure و رایانش ابری، DevOps، MLOps، Python، Databricks، و اتوماسیون با CI/CD.

آلفردو در حال حاضر به عنوان یک مدافع اصلی ابر در مایکروسافت کار می کند و در Marietta، جورجیا زندگی می کند.

Alfredo Deza Alfredo Deza

آلفردو دزا نویسنده، المپیکی و استاد کمکی در دانشگاه دوک است.

آلفردو نزدیک به دو دهه تجربه DevOps و مهندسی نرم افزار دارد و چندین کتاب درباره DevOps و Python از جمله Python for DevOps<نوشته است./i> و MLOهای عملی. زمینه های تخصص او عبارتند از Azure و رایانش ابری، DevOps، MLOps، Python، Databricks، و اتوماسیون با CI/CD.

آلفردو در حال حاضر به عنوان یک مدافع اصلی ابر در مایکروسافت کار می کند و در Marietta، جورجیا زندگی می کند.