آموزش پیاده‌سازی عملی MLOps جامع (End-to-End) در گوگل کلاد - آخرین آپدیت

مقدمه و پیش‌نیازها Introduction & prerequisites

• سلام و مقدمه Hello & Introduction

• سرور دیسکورد دوره Discord Server for this Course

• آزمایشگاه: ساخت حساب آزمایشی GCP برای دوره Lab-Create GCP Trial Account for the course

• آزمایشگاه: دانلود gcloud cli و پیکربندی پروژه Lab-Download gcloud-cli & project configuration

• پیش‌نیازها و نصب‌های مورد نیاز دوره Course prerequisites and installations

• مرور کلی دوره و بررسی بخش‌ها Course Overview & section walkthrough

• سرویس‌های GCP مورد استفاده در دوره GCP Services used in the course

آشنایی با MLOps Introduction to ML Ops

• مقدمه‌ای بر MLOps Introduction To ML-Ops

• اصول و اجزای کلیدی در MLOps Key Components Principles in ML-Ops

پیاده‌سازی CI/CD با استفاده از GCP CloudBuild, Artifact & Container Registry و CloudRun CI/CD using GCP CloudBuild, Artifact & Container Registry and CloudRun

• مقدمه‌ای بر CI/CD در GCP Introduction to CI/CD on GCP

• آشنایی با GCP Container Registry و Artifact Registry Introduction to GCP Container Registry and Artifact Registry

• آزمایشگاه: فعال‌سازی APIهای مورد نیاز و نصب ماژول‌ها Lab : Enable necessary APIs and install modules

• مقدمه‌ای بر GCP CloudRun برای مدل‌های ML Introduction To GCP CloudRun for ML Models

• مرور مراحل توسعه محلی اپلیکیشن Flask Overview of Steps for Flask Application - Local development

• آزمایشگاه: استقرار اپلیکیشن Flask با استفاده از Container/Artifact Registry و CloudRun Lab : Deploy Flask application using Container/Artifact Registry and CloudRun

• آزمایشگاه: اجرای PyTest به صورت محلی با کمک ChatGPT Lab: Execute PyTest locally using ChatGPT

• آشنایی با سرویس GCP CloudBuild Introduction to GCP CloudBuild Service

• آزمایشگاه: استقرار اپلیکیشن Flask با استفاده از GCP CloudBuild Lab : Deploy Flask application using GCP CloudBuild

• آزمایشگاه: تنظیم Triggerهای Cloudbuild از طریق مخزن گیت‌هاب Lab : Setup Cloudbuild Triggers from GitHub Repo

• مرور مدل XGBoost برای سیستم پیشنهاد کوپن XGBoost Model Overview for Coupon Recommendations Model

• آزمایشگاه: استقرار و پیاده‌سازی Flask Application برای سرو مدل و Pytest به صورت محلی Lab : Deploy and implement Model Serving Flask Application and Pytest Locally

• آزمایشگاه: استقرار مدل ML در CloudRun با استفاده از CloudBuild Lab : Deploy ML Model to CloudRun using CloudBuild

• مرور تست A/B برای مدل‌های ML با استفاده از CloudRun Overview of A/B Testing for ML Models using CloudRun

• آزمایشگاه: استقرار نسخه جدید مدل ML و به‌روزرسانی ترافیک نسخه Lab : Deploy New Version of ML Model & Update version traffic

• پروژه: استقرار مدل رگرسیون اجاره دوچرخه و اجرای CI/CD Assignment - Deploy Bike Rentals Regression Model & perform CI/CD

آموزش مداوم مدل با استفاده از Cloud Composer Airflow Continuous Model Training using Cloud Composer-Airflow

• مرور مدل علم داده برای کمپین بازاریابی بانک Overview of Data science model for Bank Marketing Campaign

• مقدمه‌ای بر آموزش مداوم (Continuous Training) Introduction to Continuous Training

• آشنایی با Airflow برای آموزش مداوم Introduction to Airflow For Continuous Training

• آزمایشگاه: ایجاد محیط Airflow Composer و Vertex AI Workbench Lab: Create Setup Airflow composer Env and Vertex AI Workbench

• آزمایشگاه: اجرای آموزش مدل با استفاده از Jupyter Notebook در GCP Lab: Execute Model Training using Jupyter-Nbk on GCP

• آزمایشگاه: اجرای Airflow DAG برای گردش کار یادگیری ماشین Lab: Execute Airflow Dag for Machine Learning Workflow

• آزمایشگاه: خط لوله آموزش مداوم در عمل Lab : Continuous Training Pipeline in Action

• بررسی سناریوهای شکست در آموزش مداوم Implications of Failure scenarios in Continuous Training

• آزمایشگاه: اجرای آموزش مداوم برای ثبت لاگ‌های مدل و تنظیم هشدارها Lab: Trigger Continuous Training to capture model logs and setup alerting

• مرور CI/CD برای آموزش مدل Overview of CI/CD for Model Training

• آزمایشگاه: CI/CD کد آموزش مدل با استفاده از Cloud Build, PyTest و Github Lab : CI/CD of Model Training Code using Cloud-Build,PyTest and Github

• آزمایشگاه: تنظیم Triggerهای CloudBuild Lab : Setup CloudBuild triggers

• پروژه بخش اول: تنظیم آموزش مداوم برای مدل ROI بازاریابی Assignment Part-1 : Setup Continuous Training for a Marketing ROI Model

• پروژه بخش دوم: اجرای CICD برای مدل ROI علم داده Assignment Part-2 : Perform CICD of the Data Science ROI Model

• پروژه بخش سوم: استقرار اپلیکیشن سرو مدل در GCP CloudRun Assignment Part-3 : Deploy Model Serving Application to GCP CloudRun

سرویس Vertex AI برای علم داده و یادگیری ماشین Vertex AI For Data Science & Machine Learning

• مرور کلی بخش Section Overview

• مقدمه‌ای بر سرویس آموزش مدل Vertex AI Introduction to Vertex AI Model Training Service

• مرور مدل رگرسیون اجاره دوچرخه Overview of Bike Share Rentals Regression Model

• آزمایشگاه: آموزش مدل Vertex AI با استفاده از کنسول وب و Gcloud CLI Lab : Vertex AI Model Training using Web Console and Gcloud CLI

• آشنایی با Vertex AI Model Registry Introduction to Vertex AI Model Registry

• آزمایشگاه: آموزش، ثبت و استقرار مدل Vertex AI با استفاده از Python SDK Lab : Python SDK-Vertex AI Model Training,Model Registry and Model Deployment

• آزمایشگاه: اجرای سرویس پیش‌بینی آنلاین و دسته‌ای با Python SDK و Jupyter Notebooks Lab : Execute Online & Batch prediction Service using Python SDK and jupyter nbks

• آزمایشگاه: بررسی خروجی پیش‌بینی دسته‌ای و کارهای پیش‌بینی آنلاین با Cloud Run Lab-Walkthrough Batch Prediction Output & Online Prediction jobs using Cloud Run

• آزمایشگاه: استقرار و پیاده‌سازی Job پیش‌بینی دسته‌ای با استفاده از GCP Cloud Functions Lab-Deploy and implement Batch Prediction Job using GCP Cloud Functions

• آزمایشگاه: مرور کلی CI/CD با استفاده از Vertex AI Lab : Overview of CI/CD using Vertex AI

• آزمایشگاه: CI/CD مدل علم داده با استفاده از CloudBuild در Vertex AI Lab : Vertex AI : CI/CD of Data science model using CloudBuild

• پروژه: استقرار مدل XGBoost در Vertex AI Assignment : Deploy XGBoost Model to Vertex AI

خط لوله‌های Vertex AI Kubeflow برای سازماندهی گردش کار ML Vertex AI-Kubeflow Pipelines for ML Workflow Orchestration

• مقدمه‌ای بر Kubeflow برای سازماندهی ML Introduction to Kubeflow for ML Orchestration

• اجزای مختلف در Kubeflow Pipelines Different Components in Kubeflow Pipelines

• آزمایشگاه: استقرار یک خط لوله ساده برای مدل XGBoost Lab : Deploy a simple pipeline for XgBoost Model

• آزمایشگاه: اجرای مدل XGBoost با استفاده از JSON کامپایل شده برای آموزش مداوم Lab : Trigger Xgboost Model using compiled json for continuous training

• آزمایشگاه: اجرای کامل خط لوله Kubeflow به همراه ارزیابی مدل Lab : Execute end-to-end kubeflow pipeline with model evaluation

• پروژه آزمایشگاهی: استقرار مدل امتیازدهی اعتباری Scikit Learn در Vertex Pipelines Lab Assignment: Deploy a Scikit-Learn Credit Scoring Model to Vertex Pipelines

• آشنایی با Vertex AI Experiments Introduction to Vertex AI Experiments

• آزمایشگاه: استفاده از هایپرپارامترهای مختلف برای XGBoost با Vertex AI Experiments Lab:Use different model hyperparameters for Xgboost with Vertex AI Experiments

• آزمایشگاه: آموزش مدل‌های مختلف طبقه‌بندی علم داده با استفاده از Experiments Lab :Train Different Data science Classification models using Experiments

• پروژه: اجرای آزمایش‌ها برای مدل رگرسیون اجاره دوچرخه Assignment : Perform Experiments for Bike share Regression Model

تنظیم هایپرپارامترها، هوش مصنوعی تفسیرپذیر و نسخه‌بندی مدل در Vertex AI Vertex AI-Hyperparameter Tuning Jobs, Explainability AI & Model Versioning

• مقدمه‌ای بر تنظیم هایپرپارامترها در Vertex AI Introduction to Hyperparameter Tuning on Vertex AI

• آزمایشگاه: پیاده‌سازی تنظیم هایپرپارامتر برای مدل رگرسیون اجاره دوچرخه Lab : Implement Hyperparameter Tuning for BikeShare Regression Model

• آزمایشگاه: بررسی نتایج و مرور کلی پروژه Lab : Result Walkthrough & Assignment Overview

• مرور کلی VertexAI Explainability (تفسیرپذیری) Overview - VertexAI Explainability

• آزمایشگاه: استقرار Endpoint مدل با پارامترهای تفسیرپذیری Lab : Deploy Model Endpoint With Explainability Parameters

• آزمایشگاه: اجرای تفسیرپذیری برای پیش‌بینی‌های آنلاین و تحلیل نتایج Lab: Execute explainability for Online predictions and Interpret results

• آزمایشگاه: اجرای تفسیرپذیری برای پیش‌بینی‌های دسته‌ای و تحلیل نتایج Lab: Execute explainability for Batch predictions and Interpret results

• پروژه: اجرای تحلیل تفسیرپذیری برای مدل‌های XGBoost Assignment : Perform Explainability for XgBoost Models

• مقدمه‌ای بر نسخه‌بندی مدل با استفاده از Vertex AI Model Registry Introduction to Model Versioning using Vertex AI Model Registry

• آزمایشگاه: استقرار نسخه‌های مختلف مدل XGBoost در Model Registry Lab : Deploy different versions of XgBoost Model to Model Registry

• آشنایی با Vertex AI FeatureStore Introduction to Vertex AI FeatureStore

• آزمایشگاه: ایجاد اشیاء Feature Store Lab : Create Feature store objects

• آزمایشگاه: وارد کردن داده‌ها از Pandas DF به Feature Store Lab : Ingest Data from Pandas DF into Feature Store

• آزمایشگاه: خواندن داده‌ها از Vertex AI Feature Store به Pandas DF Lab : Read Data From Vertex AI Feature Store into Pandas Df

• مقدمه‌ای بر AutoML Introduction to AutoML

• آزمایشگاه: آموزش و استقرار مدل طبقه‌بندی با استفاده از AutoML Lab-Train and Deploy Classification Model using AutoML

• آزمایشگاه: آموزش و استقرار مدل رگرسیون با استفاده از AutoML Lab - Train and Deploy Regression Model using AutoML

هوش مصنوعی مولد (Generative AI) در گوگل کلاد Generative AI on Google Cloud

• مقدمه‌ای بر هوش مصنوعی مولد (Generative AI) Introduction to Generative AI

• آشنایی با مدل‌های زبانی بزرگ (LLM) - PaLM 2 Introduction to Large language models - PaLM 2

• کلمات کلیدی و مفاهیم مهم در LLM Important keywords and concepts in LLM

• آزمایشگاه: Generative AI Studio Lab-Generative AI Studio

• آزمایشگاه: اجرای LLM با استفاده از Python و Jupyter Notebook Lab - Execute LLM using Python & Jupyter Nbk

• آزمایشگاه: استقرار مدل LLM طبقه‌بندی متن با Python و Cloud Run Lab - Deploy text classification LLM Model using Python & Cloud Run

• آزمایشگاه: استقرار اپلیکیشن خلاصه‌ساز متن با Python و Cloud Run Lab-Deploy Document Summarization Application using Python & Cloud Run

• آزمایشگاه: تولید توضیحات تصاویر مد با استفاده از Python Lab- Generate Fashion Image Descriptions using Python