آموزش بوت‌کمپ DevOps به MLOps – ساخت و استقرار سیستم‌های یادگیری ماشین - آخرین آپدیت

مقدمه‌ای بر MLOps Introduction to MLOps

• معرفی دوره Course Introduction

• MLOps چیست؟ What is MLOps?

• داستان تکامل MLOps، LLMOps و AgenticAIOps Story of Evolution of MLOps, LLMOps and AgenticAIOps

• مقایسه سه رویکرد در هوش مصنوعی Comparing Three Approaches to AI

• مطالعات موردی MLOps – یادگیری از پیشگامان MLOps Case Studies – Learning from the Pioneers

• مقایسه DevOps در مقابل MLOps Comparing DevOps vs MLOps

• ظهور مهندس MLOps Emergence of MLOps Engineer

شروع کار با مورد پژوهشی و آماده‌سازی محیط Getting Started with the Use Case and Environment Setup

• معرفی ماژول Module Intro

• مورد پژوهشی – پیش‌بینی قیمت خانه – رگرسیون Use Case – House Price Predictor – Regression

• درک متدهای End-to-End در ML و MLOps Understanding End to End ML Practices and MLOps

• مروری بر آماده‌سازی محیط Environment Setup Overview

• راه‌اندازی Docker / Podman با Compose Setting up Docker / Podman with Compose

• اجرای MLflow برای ردیابی آزمایش‌ها Launching MLflow for Experiment Tracking

• درک ساختار دایرکتوری و اسکلت پروژه Understanding the Project Directory and Scaffold

• راه‌اندازی محیط مجازی پایتون با UV Setting up Python Virtual Environment with UV

• کار با Jupyter Notebooks Working with Jupyter Notebooks

• جمع‌بندی Summary

از داده‌های خام تا مدل‌ها From Raw Data to Models

• معرفی ماژول Module Intro

• یادگیری مهندسی داده Learning Data Engineering

• تحلیل اکتشافی داده‌ها Experimental Data Analysis

• درک مفاهیم مهندسی ویژگی (Feature Engineering) Understanding Feature Engineering Concepts

• ساخت ویژگی‌های جدید برای پیش‌بینی قیمت خانه Building New Features for House Price Predictor

• آماده‌سازی برای آزمایش مدل Preparing for Model Experimentation

• تقسیم داده‌ها به x_train, y_train, x_test, y_test Data Splitting with x_train, y_train, x_test, y_test

• تعریف الگوریتم‌ها و شبکه‌های هایپرپارامتر Defining Algorithms and Hyperparameter Grids

• اجرای آزمایش‌های مدل برای یافتن بهترین مدل و هایپرپارامترها Running Model Experiments to Find the Best Model and Hyperparameters

• جمع‌بندی ماژول Module Summary

بسته‌بندی مدل به همراه FastAPI و Streamlit با کانتینرها Packaging Model along with FastAPI Wrapper and Streamlit with Containers

• معرفی ماژول Module Intro

• تحویل پروژه از دانشمند داده به مهندس ML / MLOps Handover from Data Scientist to ML Engineer / MLOps

• اجرای عملیات مهندسی ویژگی و پیش‌پردازش Running Feature Engineering and Preprocessing Jobs

• ساخت و آموزش مدل نهایی با تنظیمات دانشمندان داده Building and Training Final Model with Configs from Data Scientists

• بسته‌بندی مدل با FastAPI و اپلیکیشن‌های کلاینت Streamlit Wrapping the Model with FastAPI with Streamlit Client Apps

• نوشتن Dockerfile برای بسته‌بندی مدل با Wrapper FastAPI Writing Dockerfile to Package Model with FastAPI Wrapper

• عیب‌یابی و رفع خطاهای Image، اجرا و تایید FastAPI Debugging and Fixing Image Failures, Launch and Validate FastAPI

• بسته‌بندی و تست اپلیکیشن Streamlit Packaging and Testing Streamlit App

• بسته‌بندی و زیرساخت سرویس‌دهی مدل با Docker Compose Packaging and Model Serving Infra with Docker Compose

• جمع‌بندی Summary

راه‌اندازی جریان کاری CI در MLOps با GitHub Actions Setting up MLOps CI Workflow with GitHub Actions

• معرفی ماژول Module Intro

• مفاهیم DAGs، GitHub Actions و جریان کاری CI در MLOps DAGs, GitHub Actions and our MLOps CI Workflow

• درک سینتکس GitHub Actions Understanding GitHub Actions Syntax

• نوشتن و اجرای اولین جریان کاری GitHub Actions Writing and Executing Our First GitHub Actions Workflow

• افزودن مراحل مهندسی داده و ویژگی به همراه آموزش مدل Adding Data and Feature Engineering Steps with Model Training

• مرحله آموزش مدل با MLFlow برای ردیابی Model Training Step with MLFlow for Tracking

• افزودن مرحله ساخت و انتشار Image با Docker Adding Image Build and Publish Step with Docker

• پیکربندی Registry Token و انتشار Image در DockerHub Configuring Registry Token and Publishing Image to DockerHub

• خط‌لوله جریان کاری MLOps CI چندمرحله‌ای و ماژولار Modular, Multi-Stage MLOps CI Workflow Pipeline

• جمع‌بندی Summary

ساخت زیرساخت استنتاج مقیاس‌پذیر عملیاتی با Kubernetes Building Scalable Prod Inference Infrastructure with Kubernetes

• معرفی ماژول Module Intro

• طراحی زیرساخت مقیاس‌پذیر برای استنتاج مدل Designing Scalable Infrastructure for Model Inference

• مقدمه‌ای بر Kubernetes برای یادگیری ماشین Introduction to Kubernetes for Machine Learning

• مفاهیم اصلی Kubernetes – Pods، Deployments و Services Kubernetes Core Concepts – Pods, Deployments and Services

• ساده‌ترین راه ساخت کلاستر Kubernetes سه گره‌ای با KIND Simplest Way to Build a 3 Node Kubernetes Cluster with KIND

• استقرار اپلیکیشن فرانت‌اند Streamlit با Kubernetes Deploying Streamlit Frontend App with Kubernetes

• دسترسی به اپلیکیشن Streamlit با سرویس NodePort در Kubernetes Exposing the Streamlit App with Kubernetes NodePort Service

• ایجاد Deployment و Service برای مدل بسته‌بندی شده در FastAPI Creating Deployment & Service for the Model Wrapped in FastAPI

• اتصال Streamlit به مدل با استفاده از سرویس‌های DNS محلی Kubernetes Connecting Streamlit with Model using Kubernetes Native DNS Based Service Discovery

• راه ساده برای تولید Manifestها و فایل‌های YAML در Kubernetes Easy Way to Generate Kubernetes Manifests and YAML

• جمع‌بندی Summary

مانیتورینگ و مقیاس‌پذیری خودکار مدل ML Monitoring and Autoscaling an ML Model

• معرفی ماژول Module Intro

• مشخصات پروژه Project Spec

• نصب Prometheus و Grafana با Helm Installing Prometheus and Grafana with Helm

• بررسی معیارهای مانیتورینگ با Grafana و Prometheus Exploring Monitoring Metrics with Grafana and Prometheus

• افزودن Instrumentation برای FastAPI به همراه داشبورد سفارشی Adding Instrumentation for FastAPI along with Custom Dashboard

• مفاهیم مقیاس‌پذیری خودکار ظرفیت (Automatic Capacity Scaling) Automatic Capacity Scaling Concepts

• نصب KEDA و پیکربندی مشخصات منابع Installing KEDA and Configuring Resource Spec

• پیکربندی Scaled Objects با KEDA Configuring Scaled Objects with KEDA

• شروع تست فشار (Load Testing) برای استنتاج مدل Getting Started with Load Testing Model Inference

• عیب‌یابی مانیتورینگ مبتنی بر هوش مصنوعی با ChatGPT AI Based Troubleshooting Monitoring with ChatGPT

• اجرای تست فشار و تحلیل مقیاس‌پذیری خودکار Running Load Test and Analyzing Autoscaling

• مقیاس‌پذیری خودکار مبتنی بر CPU با KEDA CPU Based Auto Scaling with KEDA

• افزودن Vertical Pod Autoscaler (VPA) Adding a Vertical Pod Autoscaler (VPA)

• جمع‌بندی Summary

استقرار مبتنی بر GitOps برای اپلیکیشن‌های ML/LLM GitOps Based Deployments for ML/LLM Apps

• معرفی ماژول Module Intro

• مفاهیم GitOps GitOps Concepts

• اصل دوم GitOps: شروع کنترل نسخه کد GitOps Principle 2: Start Revision Controlling the Code

• اصل چهارم GitOps: راه‌اندازی یک Agent (ArgoCD) GitOps Principle 4: Setup an Agent - ArgoCD

• مروری بر Argo Application CRD Overview of Argo Application CRD

• تحویل مداوم (CD) با اپلیکیشن‌های ArgoCD Continuous Delivery with ArgoCD Applications

• خط‌لوله‌های End-to-End CI و CD برای اپلیکیشن ML End-to-End CI and CD Pipelines for ML App

• جمع‌بندی Summary