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

سطوح بلوغ در MLOps Maturity levels in MLOps

  • MLOps سطح 0 MLOps level 0

  • MLOps سطح 1 MLOps level 1

  • MLOps سطح 2 MLOps level 2

  • اهمیت سطوح بلوغ Importance of Maturity levels

  • آزمون 1 Quiz 1

MLOps Tools/Platforms Stack MLOps Tools/Platforms Stack

  • ملزومات پلتفرم MLOps MLOps Platform requirements

  • مقایسه پلتفرم های MLOps MLOps Platforms comparison

  • کدام پلتفرم MLOps را انتخاب کنیم؟ Which MLOps Platform to choose?

نسخه ی نمایشی - الزامات پروژه Demo - Project Requirements

  • توجه داشته باشید Note

  • الزامات پروژه Project requirements

استودیوی یادگیری ماشین لاجورد - دوره Crash Azure Machine Learning Studio - Crash course

  • مقدمه ای بر یادگیری ماشینی Azure Introduction to Azure Machine Learning

  • تور رابط کاربری استودیوی یادگیری ماشین Azure Azure Machine learning studio UI Tour

نسخه ی نمایشی - آزمایش دانشمند داده Demo - Data scientist's experiment

  • نوت بوک EDA EDA notebook

  • اتصالات Azure DevOps و Azure ML Azure DevOps & Azure ML connections

  • دفترچه آموزش و ارزشیابی Training & Evaluation notebook

نسخه ی نمایشی - کدهای ML هماهنگ شده در Azure Demo - Orchestrated ML codes in Azure

  • کد آموزشی مدل Model Training code

  • کد ارزیابی مدل Model Evaluation code

  • کد رجیستری مدل Model Registry code

  • کد امتیازدهی Scoring code

نسخه ی نمایشی - خط لوله CI/CD MLOps در Azure Demo - CI/CD MLOps Pipeline in Azure

  • بررسی اجمالی Overview

  • اسکریپت یکپارچه سازی مداوم (CI). Continuous Integration (CI) script

  • کد برای انتشار خط لوله Code to publish the pipeline

  • کد برای اجرای بسته منتشر شده Code to run the published package

  • اسکریپت استقرار مداوم (CD). Continuous Deployment (CD) script

  • خط لوله را اجرا کنید Run the Pipeline

جایزه BONUS

  • جایزه Bonus

نمایش نظرات

آموزش اصول MLOps: خطوط لوله CI/CD/CT ML با نسخه نمایشی Azure
جزییات دوره
3 hours
35
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
6,752
4.1 از 5
ندارد
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