آموزش MLflow in Action - با استفاده از ابزار MLflow بر هنر MLOps مسلط شوید

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