آموزش LLMOps و استقرار ML: LLM و GenAI را به تولید بیاورید

LLMOps & ML Deployment: Bring LLMs and GenAI to Production

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: Llama 3، GPT، ML-Ops، Ray، MLFlow، LoRa، AWQ، GPTQ، LLMOps، Deployment، Generative AI، LLMs، Flash Paged Attention، هزینه آموزش راه اندازی، پیکربندی و استقرار مدل های زبان بزرگ با دقت، تضمین روان بودن عملیات در محیط های تولیدی مهارت های عملی در ML-Ops با MLflow برای مدیریت و استقرار موثر مدل به دست آورید. انجام تجزیه و تحلیل هزینه و فایده و برنامه ریزی استراتژیک برای مدیریت اقتصادی پروژه هوش مصنوعی. برای بهبود عملکرد مدل، جدیدترین تکنیک‌های بهینه‌سازی و مقیاس‌بندی LLM را اجرا کنید. پیش نیازها: فراگیران فقط باید درک اولیه ای از یادگیری ماشین و مهارت در پایتون داشته باشند. همه مفاهیم دیگر در داخل دوره هستند.

به دوره‌ای خوش آمدید که در آن می‌آموزید چگونه مدل‌های زبان بزرگ را به‌طور مؤثر در محیط‌های تولیدی با استفاده از LLMO و تکنیک‌های پیشرفته استقرار و مقیاس کنید.

این دوره برای تجهیز شما به دانش و مهارت های مورد نیاز برای استفاده از مدل های بزرگ و یادگیری ماشینی در دنیای واقعی طراحی شده است.


موضوعات کلیدی تحت پوشش:

  • ملزومات قبل از استقرار:

    • ارزیابی مدل: تکنیک هایی برای اطمینان از صحت مدل.

    • تنظیم عملکرد: استراتژی‌های مفید برای بهینه‌سازی عملکرد مدل (هم دقت و هم سرعت) قبل از استقرار.

  • مدیریت مدل پیشرفته با ML-Ops:

    • تسلط بر MLflow: راهنمای عملی راه اندازی و استفاده از MLflow سرور mlflow خودمان

    • تمرین عملیاتی: تمرین‌های عملی و بینش در مورد شیوه‌های ML-Ops برای ردیابی مدل، سرویس دهی، و استقرار.

    • ادغام پایان به انتها: نحوه ادغام ایمن این مفاهیم در خطوط لوله موجود.

  • تکنیک های پیشرفته استقرار:

    • استراتژی‌های کارآمدی: یادگیری و پیاده‌سازی دسته‌بندی پیشرفته، دسته‌های پویا و کوانتیزاسیون.

    • آخرین پیشرفت‌ها در بهینه‌سازی LLM: ما مفاهیم پیشرفته‌ای مانند Flash Attention، Paged Attention، GPTQ، AWQ، LoRa و موارد دیگر را پوشش خواهیم داد!

    • مقیاس‌بندی نوآورانه: در تکنیک‌های مقیاس‌بندی پیشرفته مانند ZeRo و Deepspeed فرو بروید.

  • استنتاج اقتصاد یادگیری ماشین:

    • تجزیه و تحلیل هزینه و فایده: متعادل کردن اقتصاد استقرار با امکان سنجی فنی.

    • برنامه ریزی استراتژیک: درک تأثیر تجاری تصمیمات استقرار.

  • مدیریت خوشه برای مقیاس پذیری:

    • استقرارهای توزیع شده: تکنیک هایی برای مدیریت LLM ها در سراسر خوشه ها.

    • Distributed Dataflow : یاد بگیرید که چگونه با RabbitMQ، داده های بزرگ و مقیاس بزرگ را در میان خوشه ای از سرورها جابه جا کنید.

    • محاسبات توزیع‌شده: چارچوب‌های مقیاس‌گذاری بار کاری هوش مصنوعی را پیاده‌سازی کنید و از آن‌ها برای سرعت بخشیدن به استنتاج LLM در چندین ماشین استفاده کنید.

    • برنامه های کاربردی دنیای واقعی: راهنمای عملی و عملی برای استقرار در مقیاس.

آنچه خواهید آموخت:

  • استقرار با اطمینان: از راه‌اندازی محیط تا استقرار پیشرفته LLM، تجربه عملی به دست آورید که مستقیماً به سناریوهای دنیای واقعی ترجمه می‌شود.

  • دیدگاه‌های استقرار استراتژیک: بر تعادل بین سرعت و دقت تسلط داشته باشید و یاد بگیرید که اقتصاد پیچیده پروژه‌های یادگیری ماشین را هدایت کنید.

  • چشم انداز تجاری کارایی هزینه: کاهش هزینه در پروژه های هوش مصنوعی را بدون به خطر انداختن کیفیت درک کنید. از ادغام‌های موفق هوش مصنوعی در مقابل شکست‌ها، تمرکز بر نتایج عملی و مبتنی بر کسب‌وکار درس بگیرید.

  • موفقیت در استقرار هوش مصنوعی: بهترین شیوه ها و مشکلات رایج در ML-Ops و مقیاس پذیری را شناسایی کنید. خود را با بینش‌هایی مجهز کنید تا تصمیم‌های آگاهانه بگیرید و مطمئن شوید که پروژه‌های هوش مصنوعی ارزش افزوده و موفقیت کسب‌وکار را افزایش می‌دهند.

  • تکنیک‌های پیشرفته: با جدیدترین بهینه‌سازی‌ها برای افزایش عملکرد و کارایی مدل، از منحنی‌ها جلوتر بمانید.

  • از تئوری تا عمل: از مطالعات موردی در دنیای واقعی و بینش‌های متخصص برای درک استراتژی‌های موفق و چالش‌های رایج استفاده کنید.

این دوره برای چه کسانی است:

  • حرفه ای های علاقه مندان به هوش مصنوعی: چه در حال تعمیق تخصص خود باشید و چه تازه شروع کرده اید، این دوره دانش ارزشمندی را برای هر کسی که در پروژه های هوش مصنوعی و یادگیری ماشینی درگیر است ارائه می دهد.

  • زبان آموزان عملی: ایده آل برای کسانی که به دنبال ترکیبی از دانش نظری و تجربه عملی در به کارگیری مدل های زبان بزرگ هستند.

مزایای ثبت نام:

  • یادگیری جامع: راهنمای ساختارمند و گام به گام از طریق پیچیدگی های استقرار LLM.

  • راهنمایی متخصص: از کارشناسان صنعت با تجربه دنیای واقعی بیاموزید.

  • تجربه عملی: با تمرینات عملی و مطالعات موردی برای مهارت‌های کاربردی شرکت کنید.

آیا آماده هستید تا در پیاده‌سازی مدل‌های زبان بزرگ استاد شوید؟

همین امروز ثبت نام کنید و سفر خود را به سمت تسلط آغاز کنید!


سرفصل ها و درس ها

معرفی Introduction

  • مقدمه و خوش آمدید Introduction & Welcome

شروع شدن Getting Started

  • ساختار دوره: چگونه از این دوره بیشترین بهره را ببرید Course Structure: How to get the Most out of this Course

  • تنظیم محیط: منبع این دوره را درست تهیه و استفاده کنید Environment Setup: Prepare and Use the Resource of this Course Right

استراتژی های پیش از استقرار Pre-Deployment Strategies

  • اطمینان از صحت مدل: تکنیک های ارزیابی Ensuring Model Correctness: Evaluation Techniques

  • بهینه سازی عملکرد: کاوش در ابعاد کلیدی Performance Optimization: Exploring Key Dimensions

  • تعادل سرعت و دقت: بهترین روش ها Balancing Speed and Accuracy: Best Practices

مدیریت مدل پیشرفته با ML-Ops Advanced Model Management with ML-Ops

  • مبانی مدیریت مدل ML و ML-Ops Fundamentals of ML Model Management and ML-Ops

  • مروری بر چارچوب های موثر ML-Ops Overview of Effective ML-Ops Frameworks

  • راه اندازی چارچوب ML-Ops: مقدمه ای بر MLflow (عملی) Setting up ML-Ops Framework: Introduction to MLflow (Practical)

  • شروع کار با MLflow: یک رویکرد عملی (عملی) Getting Started with MLflow: A Practical Approach (Practical)

  • مدل های آموزشی با MLflow: راهنمای عملی (عملی) Training Models with MLflow: A Hands-On Guide (Practical)

  • MLflow برای استنتاج مدل: تکنیک ها و تمرین ها (عملی) MLflow for Model Inference: Techniques and Practices (Practical)

  • تکنیک های پیشرفته در MLflow: گسترش عملکرد (عملی) Advanced Techniques in MLflow: Extending Functionality (Practical)

تکنیک های پیشرفته استقرار مدل Advanced Model Deployment Techniques

  • کارایی از طریق بچینگ و بچ پویا Efficiency through Batching and Dynamic Batches

  • کاربرد عملی تکنیک های بچینگ (عملی) Hands-on Application of Batching Techniques (Practical)

  • نقش مرتب سازی در استقرار مدل (عملی) The Role of Sorting in Model Deployment (Practical)

  • استفاده از کوانتیزاسیون برای کارایی مدل (عملی) Leveraging Quantization for Model Efficiency (Practical)

  • استراتژی‌های استنتاج: موازی‌سازی، توجه فلش، GPTQ و AWQ، Inference Strategies: Parallelism, Flash Attention, GPTQ & AWQ,

  • مقیاس بندی نسل بعدی: LoRa، توجه صفحه، صفر Next-Gen Scaling: LoRa, Paged Attention, ZeRO

استنتاج اقتصاد یادگیری ماشین The Economics of Machine Learning Inference

  • زمینه وسیع‌تر هوش مصنوعی: چشم‌انداز وسیع‌تر The Broader Context of AI: A Wider Perspective

  • اندازه‌گیری عملکرد: معیارهای کلیدی برای پروژه‌های بزرگ هوش مصنوعی Measuring Performance: Key Metrics for Large AI Projects

  • ارزیابی استراتژی های استقرار برای هزینه و کارایی Evaluating Deployment Strategies for Cost & Efficiency

  • معیارهای دنیای واقعی برای موفقیت: مطالعات موردی و بینش Real-World Benchmarks for Success: Case Studies and Insights

مدیریت خوشه موثر برای استقرار ML در مقیاس بزرگ Effective Cluster Management for Large Scale ML Deployments

  • استنتاج پایه - اولین سطوح استقرار (عملی) Basic Inference - First Levels of Deployment (Practical)

  • ورود به بهینه سازی ها - سطوح پیشرفته استقرار (عملی) Entering Optimisations - Advanced Levels of Deployment (Practical)

  • راه اندازی دسترسی به داده ها در محیط های توزیع شده (عملی) Setting Up Data Access in Distributed Environments (Practical)

  • توزیع داده ها در یک کلاستر با RabbitMQ (عملی) Distributing Data Across a Cluster with RabbitMQ (Practical)

  • مبانی محاسبات توزیع شده با اشعه (عملی) Foundations of Distributed Computing with Ray (Practical)

  • مقیاس بندی مدل های زبان بزرگ در یک خوشه (عملی) Scaling Large Language Models on a Cluster (Practical)

نمایش نظرات

آموزش LLMOps و استقرار ML: LLM و GenAI را به تولید بیاورید
جزییات دوره
4.5 hours
29
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
231
5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

The Fuzzy Scientist The Fuzzy Scientist

مربی در Udemy.