آموزش DevOps برای دانشمندان داده

سرفصل ها و درس ها

مقدمه Introduction

• خوش آمدی Welcome

• مخاطب هدف Target audience

1. روشهای توسعه علوم داده 1. Data Science Development Practices

• علوم داده و مهندسی نرم افزار Data science and software engineering

• جمع آوری و فقدان داده ها Collecting and munging data

• آزمایش با داده ها ، ویژگی ها و الگوریتم ها Experimenting with data, features, and algorithms

• مدل های تست و اعتبار سنجی Testing and validating models

2. مدلهای علوم داده تا تولید 2. Data Science Models to Production

• کنترل نسخه برای مدل های علوم داده Version control for data science models

• پیش بینی کننده زبان نشانه گذاری مدل Predictive Model Markup Language

• استقرار مدل ها با ابزار اتوماسیون Deploying models with automation tools

3. روش های استقرار 3. Deployment Practices

• استقرار به محیط صحنه بندی Deploying to staging environment

• استقرار قناری Canary deployments

• تضمین مدلهای علوم داده در تولید Securing the data science models in production

• مدل های مانیتورینگ در تولید Monitoring models in production

4- مدلهای علوم داده در ظروف 4. Data Science Models in Containers

• آشنایی با داکر Introduction to Docker

• ایجاد Dockerfile برای مدلهای علوم داده Creating a Dockerfile for data science models

• دانش داده مخزن تصویر Docker Data science Docker image repository

نتیجه Conclusion

• مروری بر بهترین شیوه های DevOps برای علم داده Overview of DevOps best practices for data science