آموزش راهنمای اجرایی برای استقرار، نظارت و نگهداری مدل ها

سرفصل ها و درس ها

معرفی Introduction

• به کارگیری مدل ها Getting models deployed

1. مراحل یک پروژه یادگیری ماشینی 1. The Phases of a Machine Learning Project

• مبانی مدل سازی ML The basics of ML modeling

• مهندسی داده و MLOps در چرخه حیات ML Data engineering and MLOps in the ML lifecycle

• داده ها و یادگیری ماشینی نظارت شده Data and supervised machine learning

• چرا پروژه های ML اجرا نمی شوند؟ Why ML projects fail to be deployed

2. ارزیابی مدل 2. Model Evaluation

• چک لیست استقرار A deployment checklist

• مرحله ارزیابی کسب و کار The business evaluation phase

3. امتیاز دادن 3. Scoring

• امتیاز دادن به مدل "جعبه سیاه". Scoring a "black box" model

• گلزنی یک گروه Scoring an ensemble

• امتیاز دهی به مدل های سنتی ML Scoring traditional ML models

4. استقرار 4. Deployment

• آماده سازی داده ها و امتیازدهی Data prep and scoring

• ترکیب دسته ای و امتیازدهی در زمان واقعی Combining batch and real-time scoring

• گروهی در مقابل امتیازدهی بلادرنگ Batch vs. real-time scoring

5. نظارت و نگهداری 5. Monitoring and Maintenance

• هر چند وقت یکبار باید بازسازی کنید؟ How often should you rebuild?

• مانیتورینگ مدل چیست؟ What is model monitoring?

نتیجه Conclusion

• مراحل بعدی Next steps