لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش MLflow in Action - با استفاده از ابزار MLflow بر هنر MLOps مسلط شوید
MLflow in Action - Master the art of MLOps using MLflow tool
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
راهنمای اصلی برای آزادسازی پتانسیل کامل MLflow برای بهینه سازی MLO ها. ساده کردن جریان های کاری MLOps با استفاده از ابزار MLflow اصول MLOps و چگونگی غلبه بر چالش های ذاتی چرخه عمر ML سنتی را بررسی کنید. درک عمیقی از MLflow و نقش 4 مؤلفه آن در مدیریت عملیات یادگیری ماشینی (MLOps) به دست آورید. نحوه ردیابی کارآمد آزمایش ها، کد بسته، ثبت نام و بازتولید مدل ها در قلمرو MLOps با استفاده از ابزار MLflow را بیاموزید. طیف وسیعی از عملکردهای ثبت MLflow برای ردیابی و ثبت مؤثر آزمایشها، اجراها، مصنوعات، پارامترها، کد، معیارها و غیره. مدل MLflow - برای بستهبندی مدل کارآمد در طعمهای متمایز که امکان سادهسازی استقرار و ادغام مدل در سیستمهای تولید را فراهم میکند. پروژه MLflow - برای ایجاد جریان های کاری یادگیری ماشینی ساختار یافته، قابل تکرار و به راحتی قابل اشتراک گذاری. MLflow Registry - برای مدیریت کارآمد مدل، ردیابی نسخه به منظور حفظ کیفیت و عملکرد مدل در طول زمان. یک پروژه کامل ML سرتاسر که ادغام MLflow با ابر AWS را نشان می دهد. با استفاده از AWS Sagemaker و MLflow یک مدل یادگیری ماشینی را در ابر AWS بسازید، آموزش دهید، آزمایش کنید و استقرار دهید. پیش نیازها: Basic Machine Leaning دانش دانش پایه پایتون
چرا MLOps؟
MLOps ستون فقرات جریان کار یادگیری ماشین مدرن است. این مشکل مبرم عملیاتی کردن مدل های ML در سیستم های تولید را حل می کند. تولید مدلهای ML که معمولاً ماهها طول میکشد، اکنون میتواند در چند روز با استفاده از ابزارهای MLOps عملیاتی شود.
طبق گفتگوهای فناوری در بازار، سال 2024 سال MLOها است و به مهارت اجباری پروژه های ML سازمانی تبدیل خواهد شد.
چرا ابزار MLflow برای MLOps؟
MLflow ابزار نهایی MLO ها از سال 2023 است زیرا کل چرخه زندگی یادگیری ماشین را ساده می کند. این به شما امکان می دهد تا به طور موثر آزمایش ها، کد بسته، ثبت نسخه ها و استقرار مدل ها را در یک پلت فرم یکپارچه دنبال کنید. برخلاف سایر ابزارها، MLflow فرآیند را ساده میکند و شما را قادر میسازد که از توسعه به استقرار یکپارچه انتقال دهید.
محبوبیت MLflow از هزاران سازمان، از استارتآپها گرفته تا شرکتهای Fortune 500، که MLflow را در گردشهای کاری MLOps خود ادغام کردهاند، مشهود است.
**انحصاری** - یک پروژه کامل ML سرتاسر که ادغام MLflow با ابر AWS را نشان می دهد. با استفاده از خدمات AWS Sagemaker، Codecommit، Ec2، ECR، AWS S3، IAM و غیره، یک مدل یادگیری ماشینی در AWS cloud بسازید، آموزش دهید، آزمایش کنید، در حالی که از قابلیتهای ردیابی MLflow استفاده میکنید.
پس از تکمیل این دوره، میتوانید با اطمینان کامل روی هر پروژه MLOps/MLflow کار کنید.
افزونه ها
- سوالات و پرس و جوها خیلی سریع پاسخ داده می شوند.
- کدها و منابع مورد استفاده در سخنرانی ها برای راحتی شما در دوره پیوست شده است.
- من قصد دارم آن را مرتباً به روز کنم، هر بار که اجزای جدیدی از ابزار MLflow اضافه می کنم.
سرفصل ها و درس ها
مقدمه ای بر MLOps
Introduction to MLOps
MLOps چیست؟
What is MLOps
چرخه زندگی یادگیری ماشین سنتی
Traditional Machine Learning Lifecycle
چالش ها در چرخه زندگی سنتی ML - قسمت 1
Challenges in traditional ML lifecycle - Part 1
چالشها در چرخه زندگی سنتی ML - بخش 2
Challenges in traditional ML lifecycle - Part 2
نحوه برخورد MLO ها با چالش ها
How MLOps address the challenges
مقدمه ای بر MLflow
Introduction to MLflow
MLflow چیست؟
What is MLflow
اجزای MLflow
Components of MLflow
راه اندازی MLflow
MLflow Setup
جزء ردیابی MLflow
MLflow Tracking component
مدل رگرسیون اسکلرن
Sklearn regression model
مدل رگرسیون Sklearn با MLflow
Sklearn regression model with MLflow
دایرکتوری MLruns
MLruns directory
تور MLflow UI
MLflow UI tour
توابع ثبت MLflow
MLflow Logging functions
تنظیم و دریافت ردیابی Uri - قسمت 1
Setting and Getting Tracking Uri - Part 1
تنظیم و دریافت ردیابی Uri - قسمت 2
Setting and Getting Tracking Uri - Part 2
ایجاد تابع آزمایش MLflow
Create MLflow experiment function
تابع آزمایش MLflow را تنظیم کنید
Set MLflow experiment function
توابع شروع و پایان اجرا - قسمت 1
Start and End run functions - Part 1
توابع شروع و پایان اجرا - قسمت 2
Start and End run functions - Part 2
توابع فعال و آخرین اجرا فعال
Active & Last active run functions
ورود پارامترهای متعدد و تابع معیارها
Log multiple parameters & metrics function
ورود به سیستم چند مصنوع تابع
Log multiple artifacts function
تنظیم عملکرد برچسب ها
Set tags function
آزمون 1
Quiz 1
تکلیف 1
Assignment 1
چندین آزمایش و اجرا را اجرا کنید
Launch multiple Experiments and Runs
اجرای چندگانه را در یک برنامه اجرا کنید
Launch multiple Runs in a program
چندین آزمایش را در یک برنامه راه اندازی کنید
Launch multiple Experiments in a program
ثبت خودکار در MLflow
Autologging in MLflow
مقدمه ای بر Autologging
Introduction to Autologging
تابع autolog() را پیاده سازی کنید
Implement autolog() function
پیاده سازی تابع اتولوگ خاص کتابخانه
Implement library specific autolog function
سرور ردیابی MLflow
Tracking Server of MLflow
سرور ردیابی MLflow چیست؟
What is MLflow Tracking server
اجرای Tracking Server در MLflow
Implement Tracking Server in MLflow
سناریوهای سرور ردیابی محلی
Local Tracking server scenarios
سناریوهای سرور ردیابی از راه دور
Remote Tracking server scenarios
جزء مدل MLflow
MLflow Model component
مقدمه ای بر مولفه مدل
Introduction to Model component
اجزای مدل
Model components
فرمت ذخیره سازی
Storage format
فایل MLmodel توضیح داده شد
MLmodel file explained
امضای مدل چیست؟
What are Model Signatures
Signature Enforcement در MLflow چیست؟
What is Signature Enforcement in MLflow
ثبت امضا و نمونه های ورودی در MLflow
Log Signatures & Input examples in MLflow
مدل API (save_model، log_model) توضیح داده شده است
Model API (save_model, log_model) explained
آزمون 2
Quiz 2
مدیریت مدل های سفارشی در MLflow
Handling Customized models in MLflow
سفارشی سازی مدل در MLflow چیست؟
What is Model customization in MLflow
پیاده سازی مدل پایتون سفارشی - قسمت 1
Implement Custom Python model - Part 1
پیاده سازی مدل پایتون سفارشی - قسمت 2
Implement Custom Python model - Part 2
پیاده سازی مدل پایتون سفارشی - قسمت 3
Implement Custom Python model - Part 3
در حال بارگیری مدل سفارشی پایتون
Loading the customized Python model
طعم های سفارشی در MLflow
Custom Flavors in MLflow
ارزیابی مدل MLflow
MLflow Model Evaluation
مقدمه ای بر ارزیابی مدل در MLflow
Introduction to Model evaluation in MLflow
پارامترهای تابع را ارزیابی کنید
Evaluate function parameters
تابع ()value را پیاده سازی کنید
Implement evaluate() function
مقایسه اجرای یک آزمایش
Comparing Runs of an Experiment
معیارها و مصنوعات سفارشی ایجاد کنید
Create Custom metrics and artifacts
تنظیم آستانه اعتبار سنجی در ()validation
Setting Validation thresholds in evaluate()
تکلیف 2
Assignment 2
مولفه رجیستری MLflow
MLflow Registry component
مقدمه ای بر رجیستری MLflow
Introduction to MLflow Registry
ثبت مدل ها از UI
Register models from UI
مراحل مدل های ثبت شده
Stages of registered models
ثبت مدل با استفاده از تابع ()log_model
Register model using log_model() function
ثبت مدل با استفاده از تابع register_model()
Register model using register_model() function
مدل های خارجی و پشتیبانی نشده را ثبت کنید
Register external & unsupported models
جزء پروژه MLflow
MLflow Project component
مقدمه ای بر پروژه های MLflow
Introduction to MLflow Projects
فایل MLproject را بنویسید
Write MLproject file
محیط های موجود در فایل MLproject
Environments in MLproject file
نمونه های محیط داکر
Docker environment examples
نقاط ورود به فایل MLproject
Entry points in MLproject file
اجرای فایل MLproject
Running MLproject file
گزینه های فرمان را اجرا کنید
Run command's Options
پروژه MLflow را از طریق CLI و API اجرا کنید
Run MLflow Project via CLI and API
امتحان 3
Quiz 3
تکلیف 3
Assignment 3
مشتری MLflow
MLflow Client
مقدمه ای بر MLflow Client
Introduction to MLflow Client
توابع مدیریت آزمایشی در مشتری MLflow
Experiment management functions in MLflow client
تابع search_experiment در MLflow Client
search_experiment function in MLflow Client
اجرای توابع مدیریت در مشتری MLflow - قسمت 1
Run management functions in MLflow client - Part 1
اجرای توابع مدیریت در کلاینت MLflow - قسمت 2
Run management functions in MLflow client - Part 2
توابع نسخه سازی مدل در مشتری MLflow - قسمت 1
Model versioning functions in MLflow client - Part 1
توابع نسخه سازی مدل در مشتری MLflow - قسمت 2
Model versioning functions in MLflow client - Part 2
دستورات CLI MLflow
MLflow CLI commands
دستورات MLflow CLI - مجموعه 1
MLflow CLI commands - Set 1
دستورات MLflow CLI - مجموعه 2
MLflow CLI commands - Set 2
ادغام AWS با MLflow | پروژه پایان به انتها
AWS integration with MLflow | End-to-End Project
معرفی و معماری پروژه
Introduction and architecture of Project
راه اندازی AWS - ایجاد کاربر، مخزن Codecommit، سطل S3
AWS setup - Create user, Codecommit repo, S3 bucket
راه اندازی AWS - سرور MLflow در EC2
AWS setup - MLflow server on EC2
پیش پردازش داده ها
Data Preprocessing
کد آموزشی مدل
Model Training code
نوشتن فایل MLproject
Writing MLproject file
اجرای پروژه در سیستم محلی
Run project on local system
راه اندازی AWS Sagemaker
AWS Sagemaker setup
آموزش مدل در AWS Sagemaker
Model Training on AWS Sagemaker
مقایسه و ارزیابی مدل
Model comparison and evaluation
استقرار مدل در AWS Sagemaker
Model deployment on AWS Sagemaker
یودمی یکی از بزرگترین پلتفرمهای آموزشی آنلاین است که به میلیونها کاربر در سراسر جهان امکان دسترسی به دورههای متنوع و کاربردی را فراهم میکند. این پلتفرم امکان آموزش در زمینههای مختلف از فناوری اطلاعات و برنامهنویسی گرفته تا زبانهای خارجی، مدیریت، و هنر را به کاربران ارائه میدهد. با استفاده از یودمی، کاربران میتوانند به صورت انعطافپذیر و بهینه، مهارتهای جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.
یکی از ویژگیهای برجسته یودمی، کیفیت بالای دورهها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد میدهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و میتوانند به بهترین شکل ممکن از آموزشها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرمهای آموزشی آنلاین، به افراد امکان میدهد تا به راحتی و با کیفیت، مهارتهای مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.
نمایش نظرات