دوره

مقدمه‌ای بر MLflow

اینجا یاد می‌گیرید چطور از MLflow برای ساده‌سازی پیچیدگی‌های ساخت اپلیکیشن‌های یادگیری ماشین استفاده کنید.

مقدماتی
تاریخ به‌روزرسانی:
25 آبان 1405
۴٫۵
MLflow
۴ ساعت
۱۶ ویدیو
۳۵ تمرین
۹۱۲ شرکت‌کننده
۳۷۵
کاربرهای فینکا در چه شرکت‌هایی مشغول به کار هستند؟
توضیحات دوره

مدیریت چرخه عمر یک اپلیکیشن یادگیری ماشین می‌تونه برای دانشمندان داده، مهندسان و توسعه‌دهندگان کار سختی باشه. اپلیکیشن‌های یادگیری ماشین پیچیده هستن و با چالش‌هایی مثل دشواری بررسی، سختی بازتولید و مشکل‌ساز بودن در دیپلوی روبه‌رو هستن.

در این دوره، یاد می‌گیرید که MLflow چیه و چطور تلاش می‌کنه دشواری‌های چرخه عمر یادگیری ماشین مثل بررسی، بازتولیدپذیری و دیپلوی رو ساده کنه. پس از یادگیری MLflow، درک بهتری از نحوه غلبه بر پیچیدگی‌های ساخت اپلیکیشن‌های یادگیری ماشین و نحوه هدایت مراحل مختلف چرخه عمر یادگیری ماشین پیدا می‌کنید.

همونیه که می‌خواید یاد بگیرید؟

1
مقدمه‌ای بر MLflow

در این بخش با MLflow آشنا می‌شید و یاد می‌گیرید این ابزار چطور به برطرف کردن بعضی از چالش‌های چرخه عمر یادگیری ماشین کمک می‌کنه. با چهار مفهوم اصلی MLflow آشنا می‌شید و تمرکز ویژه‌ای روی MLflow Tracking خواهید داشت. یاد می‌گیرید چطور آزمایش‌ها و اجراهای مختلف ایجاد کنید و معیارها، پارامترها و آرتیفکت‌ها رو ردیابی کنید. در پایان هم یاد می‌گیرید چطور با کدنویسی در MLflow جستجو کنید و اجراهایی رو پیدا کنید که با معیارهای مشخص‌شده مطابقت دارن.

2
مدل‌های MLflow

در این بخش با MLflow Models آشنا می‌شید. این کامپوننت نقش مهمی در مراحل ارزیابی و مهندسی مدل در چرخه عمر یادگیری ماشین داره. یاد می‌گیرید چطور MLflow Models فرایند بسته‌بندی مدل‌های یادگیری ماشین رو استاندارد می‌کنه و چطور می‌تونید این مدل‌ها رو ذخیره، لاگ و بارگذاری کنید. همچنین یاد می‌گیرید چطور مدل‌های سفارشی MLflow ایجاد کنید تا انعطاف‌پذیری بیشتری برای کاربردهای مختلف داشته باشید و عملکرد مدل‌ها رو ارزیابی کنید. در ادامه، از مفهوم قدرتمند Flavors استفاده می‌کنید و در نهایت، با ابزار خط فرمان MLflow مدل‌هاتون رو مستقر می‌کنید.

3
رجیستری مدل MLflow

در این بخش با مفهوم Model Registry در MLflow آشنا می‌شید و یاد می‌گیرید چطور از اون برای مدیریت چرخه عمر مدل‌های یادگیری ماشین استفاده کنید. یاد می‌گیرید چطور مدل‌ها رو در Model Registry ایجاد و جستجو کنید. در ادامه، با نحوه ثبت مدل‌ها در Model Registry و انتقال اون‌ها بین مراحل ازپیش‌تعریف‌شده آشنا می‌شید. در پایان هم یاد می‌گیرید چطور مدل‌ها رو مستقیماً از Model Registry مستقر کنید.

4
پروژه MLflow

در این بخش یاد می‌گیرید چطور با استفاده از MLflow Projects، کدهای علم داده‌تون رو طوری سازمان‌دهی کنید که استفاده مجدد و بازتولید نتایج اون‌ها آسون‌تر بشه. ابتدا با مفهوم MLflow Projects آشنا می‌شید و یاد می‌گیرید چطور یک فایل MLproject ایجاد کنید. بعد یاد می‌گیرید چطور پروژه‌های MLflow رو هم از طریق خط فرمان و هم با استفاده از ماژول MLflow Projects اجرا کنید. همچنین با کاربرد پارامترها برای افزایش انعطاف‌پذیری کدهاتون آشنا می‌شید. در نهایت، یاد می‌گیرید چطور با ایجاد یک گردش‌کار چندمرحله‌ای با MLflow Projects، مراحل مختلف چرخه عمر یادگیری ماشین رو مدیریت کنید.

گواهی پایان دوره

  • تأیید مهارت شما

    با تکمیل این دوره، شما یک گواهی معتبر دریافت می‌کنید که بیانگر کسب مهارت‌های لازم مرتبط با این دوره آموزشی است.

  • اعتبار و اصالت گواهی

    هر مدرک دارای شناسه یکتا و لینک اعتبارسنجی است که امکان بررسی و تأیید اصالت آن را فراهم می‌کند.

  • اشتراک‌گذاری

    می‌توانید گواهی‌های خود را به‌راحتی در شبکه‌های حرفه‌ای مانند لینکدین با دیگران به اشتراک بگذارید.

اشتراک‌گذاری
منابع
50_Startups

Student_Study_Hour

Salary_predict

Insurance

سوالات متداول

این یک دوره پیشرفته‌ست که پیش از ثبت‌نام به آشنایی با Pandas و Scikit-learn و آمار و مفاهیم MLOps و مهندسی داده و یادگیری نظارت‌شده نیاز داره.

شما بررسی MLflow رو برای لاگ‌کردن آزمایش‌ها، مدل‌های MLflow رو برای بسته‌بندی و ارزیابی مدل‌ها، رجیستری مدل رو برای مدیریت چرخه عمر و پروژه‌های MLflow رو برای بازتولیدپذیری یاد می‌گیرید.

بله. شما از ابزار خط فرمان MLflow برای دیپلوی مدل استفاده می‌کنید و یاد می‌گیرید که چطور مدل‌ها رو مستقیماً از رجیستری مدل پس از عبور دادنشون از مراحل ازپیش‌تعریف‌شده دیپلوی کنید.

بله. بخش مدل‌ها به شما آموزش می‌ده که مدل‌های سفارشی MLflow رو بسازید و از مفهوم Flavor برای ارائه انعطاف‌پذیری فراتر از انواع مدل‌های استاندارد پشتیبانی‌شده توسط MLflow استفاده کنید.

شما یاد می‌گیرید که چندین مرحله از چرخه عمر یادگیری ماشین رو با استفاده از پروژه‌های MLflow به یک گردش‌کار بازتولیدپذیر واحد با پارامترهایی برای انعطاف‌پذیری بیشتر در طول اجراها متصل کنید.

دریافت اپلیکیشن فینکا

با اپلیکیشن فینکا، به بیشتر دوره‌ها و مسیرها روی موبایل دسترسی دارید، تمرین می‌کنید و یادگیری رو هم‌زمان روی موبایل و دسکتاپ ادامه می‌دید.