دوره

چرخه عمر و دیپلوی MLOps

در این دوره، چارچوب مدرن MLOps رو بررسی می‌کنید و چرخه عمر و دیپلوی مدل‌های یادگیری ماشین رو یاد می‌گیرید.

مقدماتی
تاریخ به‌روزرسانی:
21 آبان 1405
۴٫۷
تئوری
۴ ساعت
۱۶ ویدیو
۳۸ تمرین
۵۹۸ شرکت‌کننده
۳۶۵
کاربرهای فینکا در چه شرکت‌هایی مشغول به کار هستند؟
توضیحات دوره

چارچوب مدرن MLOps، از جمله چرخه عمر و دیپلوی مدل‌های یادگیری ماشین رو بررسی کنید. در این دوره، یاد می‌گیرید چطور کد یادگیری ماشین بنویسید که سریع، بهینه و بدون اشکالات زیرساختی باشه، ابزارهایی رو که برای دیپلوی و مانیتورینگ مدل‌هاتون نیاز دارید پیدا کنید و انواع مختلف محیط‌ها و تحلیل‌داده‌هایی رو که باهاشون روبه‌رو می‌شید، بررسی کنید.

بعد از اینکه داده رو جمع‌آوری، آماده و برچسب‌گذاری کردید، آزمایش‌های متعددی روی مدل‌های مختلف انجام دادید و ایده خودتون رو با یک مدل برتر اثبات کردید، وقت قدم‌های بعدی رسیده: ساختن - دیپلوی - مانیتورینگ - نگه‌داری. این چرخه عمر مدل شماست وقتی که قرار وارد پروداکشن بشه که همون بخش Ops از MLOps هست.

این دوره به شما نشون میده چطور بخش دوم سفر مدلتون رو هدایت کنید.

همونیه که می‌خواید یاد بگیرید؟

1
MLOps در یک نگاه

در این بخش، نگاهی کلی به اصول MLOps و کامپوننت‌های چارچوب اون میندازیم که برای دیپلوی و مدیریت چرخه عمر مدل‌ها اهمیت دارن.

2
توسعه برای دیپلوی

در این بخش، به تمام نکاتی می‌پردازیم که باید از همون مرحله توسعه در نظر بگیریم تا وقتی به مرحله عملیات می‌رسیم، همه‌چیز به‌خوبی پیش بره. هدف اصلی ما اینه که یاد بگیرید چطور با استفاده از بهترین شیوه‌های MLOps مدل رو آموزش بدید و یک پکیج مدل بسازید که دیپلوی آسون، تکرارپذیری و مانیتورینگ بعد از دیپلوی رو امکان‌پذیر کنه.

3
دیپلوی و اجرا

در این بخش، به سوالات مهمی درباره عملیات مدل می‌پردازیم؛ مثل اینکه چه روش‌های مختلفی برای سرو کردن مدل‌ها وجود داره، API چیه و چه قابلیت‌های کلیدی‌ای داره، چطور می‌تونیم قبل از ارائه سرویس به کاربران نهایی اون رو به‌طور کامل تست کنیم و چطور می‌تونیم مدل‌های موجود در پروداکشن رو بدون ایجاد اختلال در سرویس به‌روزرسانی کنیم. همچنین با پیش‌بینی دسته‌ای، پیش‌بینی بلادرنگ، اعتبارسنجی داده‌های ورودی و خروجی، تست واحد، تست یکپارچه‌سازی، دیپلوی قناری و مفاهیم دیگه آشنا می‌شید.

4
پایش و نگه‌داری

در بخش پایانی، به مانیتورینگ و نگه‌داری سرویس‌های یادگیری ماشین بعد از دیپلوی و همچنین حاکمیت مدل می‌پردازیم. با مفاهیم مهمی مثل تأخیر در اعتبارسنجی، تغییر توزیع متغیرهای ورودی، دریفت مفهومی، سیستم‌های انسان در حلقه و موارد دیگه آشنا می‌شید.

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
پیش نیازهای دوره

سوالات متداول

این دوره چارچوب مدرن MLOps، چرخه عمر و دیپلوی مدل‌های یادگیری ماشین رو پوشش میده. به‌طوری خاص، یاد می‌گیرید که کد یادگیری ماشین بنویسید، مدل‌های یادگیری ماشین رو دیپلوی کنید، معیارهای عملکرد رو مانیتور کنید و مدل‌های یادگیری ماشین رو نگه‌داری کنید.

هر شغلی که به استفاده از مدل‌های یادگیری ماشین و دیپلوی و نگه‌داری اون مدل‌ها نیاز داره، از این دوره بهره‌مند می‌شه. این شامل نقش‌هایی مثل مهندس هوش مصنوعی، مهندس یادگیری ماشین و دانشمند داده میشه.

این دوره ابزارهایی مثل API، یونیت‌تست و تست یکپارچه‌سازی و همچنین ابزارهای مورد استفاده برای مانیتورینگ و نگه‌داری مدل‌ها رو پوشش میده.

چرخه عمر MLOps شامل ساخت، دیپلوی، مانیتورینگ و نگه‌داری مدل‌های یادگیری ماشین پس از ورود اون‌ها به پروداکشنه. در این دوره، چرخه عمر MLOps و کامپوننت‌های اون از جمله توسعه مدل، دیپلوی، مانیتورینگ و نگه‌داری رو بررسی می‌کنید.

یاد می‌گیرید که چطور مدل‌ها رو برای دیپلوی توسعه بدید و همچنین چطور کد یادگیری ماشین مؤثر بنویسید، از ابزارها استفاده کنید و پایپ‌لاین‌های یادگیری ماشین رو آموزش بدید.

درباره معیارهای عملکرد مهم برای مانیتورینگ و نگه‌داری مدل‌های یادگیری ماشین، مثل مانیتورینگ دریفت در پروداکشن و بازخورد مدل، به‌روزرسانی‌ها و حاکمیت مدل یاد می‌گیرید.

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.