لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش اصول MLOps: خطوط لوله CI/CD/CT ML با نسخه نمایشی Azure
MLOps Fundamentals: CI/CD/CT Pipelines of ML with Azure Demo
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
اصول MLOps یکپارچه سازی مداوم و تحویل مداوم (CI/CD) با استفاده از Azure DevOps و Azure Machine Learning مبانی MLOps، مزایا و پیاده سازی آن. چالشهای پیش روی تیمها در روش فعلی مدیریت پروژههای یادگیری ماشین. اهمیت اصول MLOps در پروژه های یادگیری ماشینی استانداردها و اصول رعایت شده در فرهنگ MLOps. ادغام مداوم، تحویل مداوم و آموزش مداوم در فضای MLOps چیست. سطوح مختلف بلوغ مرتبط با MLOs. مقایسه پشته ابزار MLOps و پلتفرم های مختلف MLOps. با استفاده از Azure DevOps و Azure Machine Learning، خط لوله CI/CD MLOps سرتاسری را اجرا کنید. پیش نیازها: مبانی DevOps و یادگیری ماشینی
نکته مهم: هدف از این دوره آموزش اصول MLOps است نه Azure ML. بخش آزمایشی Azure به عنوان مدرکی برای نشان دادن کار یک پروژه MLOps end-to-end گنجانده شده است. با این حال، تمام کدهای مربوط به خط لوله به خوبی توضیح داده شده است.
"MLOps فرهنگی با مجموعهای از اصول، دستورالعملهایی است که در دنیای یادگیری ماشین برای پیادهسازی و تولید روان مدلهای یادگیری ماشین تعریف شدهاند."
دانشمندان داده مدتهاست که مدلهای یادگیری ماشین را آزمایش کردهاند، اما برای ارائه ارزش واقعی کسبوکار، باید عملیاتی شوند، یعنی مدلها را به سمت تولید سوق دهند. متأسفانه، به دلیل چالشهای فعلی و سیستمناپذیری در چرخه عمر ML، 80 درصد از مدلها هرگز به تولید نمیرسند و تنها به عنوان یک آزمایش آکادمیک راکد باقی میمانند.
عملیات یادگیری ماشین (MLOps)، که به عنوان راه حلی برای این مشکل پدیدار شد، یک فرهنگ جدید در بازار و فضایی است که به سرعت در حال رشد است که شامل همه چیزهایی است که برای استقرار یک مدل یادگیری ماشین در تولید لازم است.
طبق گفتگوهای فناوری در بازار، سال 2023 سال MLOها است و به مجموعه مهارتی برای پروژه های Enterprise ML تبدیل خواهد شد.
چه چیزی در دوره گنجانده شده است؟
MLO مبانی و مبانی اصلی را به کار می گیرد.
چالشهای مدیریت چرخه زندگی یادگیری ماشین سنتی چه بود.
چگونه MLOps به این مسائل رسیدگی میکند و در عین حال انعطافپذیری و اتوماسیون بیشتری را در فرآیند ML ارائه میدهد.
استانداردها و اصولی که MLOps بر آن استوار است.
خطوط لوله یکپارچه سازی مداوم (CI)، تحویل مداوم (CD) و آموزش مداوم (CT) در MLOs.
سطوح بلوغ مختلف مرتبط با MLO ها.
مقایسه پشته ابزارهای MLOps و مقایسه پلتفرم های MLOps.
دوره آموزشی خرابی سریع اجزای یادگیری ماشین Azure.
خط لوله CI/CD MLOps سرتاسری برای مطالعه موردی در Azure با استفاده از یادگیری ماشینی Azure DevOps Azure.
سرفصل ها و درس ها
معرفی
Introduction
MLOps چیست؟
What is MLOps
چرخه زندگی یادگیری ماشین سنتی - قسمت 1
Traditional Machine Learning Lifecycle - Part 1
چرخه زندگی یادگیری ماشین سنتی - قسمت 2
Traditional Machine Learning Lifecycle - Part 2
نقش ها و مسئولیت ها در پروژه های ML
Roles & Responsibilities in ML projects
چالش های موجود در پروژه های ML موجود
Challenges in existing ML projects
مشکلات در چرخه زندگی سنتی ML
Problems in traditional ML lifecycle
فعالیت های مورد نیاز برای تولید مدل ها
Activities needed to productionize models
MLOps - یک راه حل
MLOps - A solution
استانداردها/اصول در MLOps
Standards/Principles in MLOps
پیاده سازی MLOps
MLOps implementation
مزایای MLOps
Benefits of MLOps
تفاوت بین DevOps و MLOps
Difference between DevOps & MLOps
نمایش نظرات