آموزش بوت کمپ MLOps: CI/CD برای مدل ها - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• MLOps چیست؟ ¿Qué es MLOps?

• تاریخچه تکامل MLOps، LLMOps و AgenticAIOps Historia de la Evolución de MLOps, LLMOps y AgenticAIOps

• مقایسه سه رویکرد هوش مصنوعی Comparando Tres Enfoques de la IA

• مطالعات موردی در MLOps - یادگیری از پیشگامان Casos de Estudio en MLOps - Aprendiendo de los Pioneros

• مقایسه DevOps و MLOps Comparando DevOps y MLOps

• ظهور نقش مهندس MLOps Emergencia del Rol de Ingeniero MLOps

سناریو استفاده و پیکربندی محیط Caso de Uso y Configuración del Entorno

• معرفی ماژول Introducción al Módulo

• سناریو استفاده - پیش‌بینی قیمت مسکن - رگرسیون Caso de Uso - Predicción de Precios de Viviendas - Regresión

• مخزن Git برای دوره Repositorio Git para el Curso

• درک شیوه‌های ML سرتاسر و MLOps Comprendiendo Prácticas ML de Extremo a Extremo y MLOps

• بررسی اجمالی پیکربندی محیط Visión General de la Configuración del Entorno

• پیکربندی Docker / Podman با Compose Configuración de Docker / Podman con Compose

• راه‌اندازی MLflow برای ردیابی آزمایش‌ها Lanzamiento de MLflow para Seguimiento de Experimentos

• درک ساختار و دایرکتوری پروژه Comprensión de la Estructura y Directorio del Proyecto

• پیکربندی محیط مجازی پایتون با UV Configuración de Entorno Virtual de Python con UV

• کار با نوت‌بوک‌های Jupyter Trabajo con Notebooks de Jupyter

• خلاصه Resumen

از داده‌ها تا مدل‌ها - علم داده، مهندسی ویژگی و ... De los Datos a los Modelos - Ciencia de Datos, Ingeniería de Características y E

• معرفی ماژول Introducción al Módulo

• یادگیری مهندسی داده Aprendiendo Ingeniería de Datos

• تحلیل اکتشافی داده‌ها (EDA) Análisis Exploratorio de Datos

• درک مفاهیم مهندسی ویژگی Comprensión de Conceptos de Ingeniería de Características

• ایجاد ویژگی‌های جدید برای پیش‌بینی‌کننده قیمت مسکن Creando Nuevas Características para el Predictor de Precios de Viviendas

• آماده‌سازی برای آزمایش مدل‌ها Preparación para la Experimentación de Modelos

• تقسیم داده‌ها با x_train، y_train، x_test، y_test División de Datos con x_train, y_train, x_test, y_test

• تعریف الگوریتم‌ها و شبکه‌های ابرپارامترها Definición de Algoritmos y Parrillas de Hiperparámetros

• اجرای آزمایش‌ها برای یافتن بهترین مدل و ابرپارامترها Ejecución de Experimentos para Encontrar el Mejor Modelo e Hiperparámetros

• خلاصه ماژول Resumen del Módulo

ساخت ایمیج‌های کانتینری Construcción de Imágenes de Contenedores

• معرفی ماژول Introducción al Módulo

• انتقال از دانشمند داده به مهندس ML / MLOps Transición del Científico de Datos al Ingeniero ML / MLOps

• اجرای وظایف مهندسی ویژگی و پیش‌پردازش Ejecución de Tareas de Ingeniería de Características y Preprocesamiento

• ساخت و آموزش مدل نهایی با پیکربندی‌های دانشمند داده Construcción y Entrenamiento del Modelo Final con Configuraciones de los Científ

• بسته‌بندی مدل با FastAPI و برنامه‌های کلاینت Streamlit Empaquetado del Modelo con FastAPI y Aplicaciones Cliente de Streamlit

• نوشتن Dockerfile برای بسته‌بندی مدل با FastAPI Escritura de Dockerfile para Empaquetar el Modelo con FastAPI

• اشکال‌زدایی و اعتبارسنجی مدل FastAPI Depuración y Validación del Modelo FastAP

• بسته‌بندی و تست برنامه Streamlit Empaquetado y Pruebas de la Aplicación Streamlit

• زیرساخت سرویس‌دهی مدل با Docker Compose Infraestructura de Servido de Modelos con Docker Compose

• خلاصه Resumen

پیکربندی گردش کار CI MLOps با GitHub Actions Configurando Flujo de Trabajo CI MLOps con GitHub Actions

• معرفی ماژول Introducción al Módul

• DAGها، GitHub Actions و گردش کار CI MLOps ما DAGs, GitHub Actions y nuestro Flujo CI MLOps

• درک گرامر GitHub Actions Comprendiendo la Sintaxis de GitHub Actions

• نوشتن و اجرای اولین گردش کار Escribiendo y Ejecutando Nuestro Primer Workflow

• افزودن مراحل داده و مهندسی با آموزش مدل‌ها Añadiendo Pasos de Datos e Ingeniería con Entrenamiento de Modelos

• مرحله آموزش با MLFlow برای ردیابی Paso de Entrenamiento con MLFlow para Seguimiento

• مرحله ساخت و انتشار ایمیج با Docker Paso para Construcción y Publicación de Imagen con Docker

• پیکربندی توکن و انتشار در DockerHub Configuración de Token y Publicación en DockerHub

• گردش کار CI MLOps مدولار و چند مرحله‌ای Flujo CI MLOps Modular y Multietapa

• خلاصه Resumen

ساخت زیرساخت مقیاس‌پذیر استنتاج در تولید با Kubernetes Construcción de Infraestructura Escalable de Inferencia en Producción con Kubern

• معرفی ماژول Introducción al Módulo

• طراحی زیرساخت مقیاس‌پذیر برای استنتاج مدل‌ها Diseño de Infraestructura Escalable para Inferencia de Modelos

• معرفی Kubernetes برای ML Introducción a Kubernetes para ML

• مفاهیم پایه Kubernetes - Podها، Deploymentها و سرویس‌ها Conceptos Básicos de Kubernetes - Pods, Deployments y Servicios

• ساده‌ترین راه برای ایجاد یک کلاستر 3 نودی با KIND Forma más Simple de Crear un Clúster de 3 Nodos con KIND

• استقرار برنامه Streamlit با Kubernetes Despliegue de Aplicación Streamlit con Kubernetes

• نمایش برنامه Streamlit با NodePort Exposición de App Streamlit con NodePort

• ایجاد سرویس برای مدل بسته‌بندی شده با FastAPI Creación de Servicio para Modelo Empaquetado con FastAPI

• اتصال Streamlit و مدل با استفاده از DNS Kubernetes Conexión de Streamlit y Modelo usando DNS de Kubernetes

• راه آسان برای تولید مانیفست‌های YAML Kubernetes Forma Fácil de Generar Manifiestos YAML de Kubernetes

• خلاصه Resumen