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.

_________________________________________________________________________________________________

چه چیزی در این دوره آموزشی MLflow گنجانده شده است؟

  • مبانی MLOps، محدودیت‌های چرخه عمر سنتی ML، نحوه غلبه بر این محدودیت‌ها را بدانید.

  • مفاهیم MLflow کامل توضیح داده شده از ابتدا تا پیاده سازی بلادرنگ.

  • 4 جزء اصلی MLflow - Tracking، Model، Project و Registry را به صورت عملی بیاموزید.

  • توابع گزارش‌گیری مختلف در MLflow برای ردیابی و ضبط دقیق آزمایش‌ها، اجراها، مصنوعات، پارامترها، کد، معیارها و موارد دیگر.

  • با استفاده از Python در MLflow، مدل‌های سفارشی‌شده را مدیریت کنید.

  • با استفاده از کتابخانه MLflow، UI، MLflow Client و دستورات CLI تعامل با MLflow را بیاموزید.

  • بهترین شیوه‌ها و تکنیک‌های بهینه‌سازی را برای دنبال کردن در پروژه‌های MLOps/MLflow بلادرنگ بیاموزید.

________________________________________________________________________________________________________________

**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

  • استنتاج مدل Model inferencing

جایزه Bonus

  • جایزه Bonus

نمایش نظرات

Udemy (یودمی)

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.

آموزش MLflow in Action - با استفاده از ابزار MLflow بر هنر MLOps مسلط شوید
جزییات دوره
9 hours
87
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
528
4.7 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

J Garg - Real Time Learning J Garg - Real Time Learning

مهندسی داده، تجزیه و تحلیل و مربی ابری