دوره «خط‌لوله‌های یادگیری ماشین در Google Cloud» از مجموعه Pluralsight، نسخه نوامبر ۲۰۲۴، به شما اجازه می‌دهد تا ابزارها و سرویس‌های پیشرفته Google Cloud برای طراحی، توسعه و مقیاس‌دهی مدل‌های یادگیری ماشین را از پایه تا حصول نتیجه یاد بگیرید. این دوره با تمرکز بر روی جلسات عملی و مثال‌های واقعی، شما را قادر می‌سازد بهترین روش‌ها (Best Practices) را در Vertex AI، Dataflow و Kubeflow Pipelines به کار بندید و پروژه‌های ML را به صورت اتوماسیون شده و پایدار اجرا کنید.

برای بهره‌مندی کامل از مطالب این دوره، داشتن دانش و تجربه پایه زیر ضروری است:

• آشنایی با مفاهیم پایه یادگیری ماشین (Regression, Classification, Clustering)
• تسلط نسبی به زبان برنامه‌نویسی Python و آشنایی با کتابخانه‌های TensorFlow یا PyTorch
• درک مفاهیم ابری و تجربه کار با یک پلتفرم مانند AWS، Azure، یا Google Cloud
• آشنایی مقدماتی با Docker و کانتینرها برای بسته‌بندی کد
• ترجیحاً تجربه استفاده از git و CI/CD برای مدیریت نسخه و استقرار خودکار

• طراحی و ساختاریابی خط‌لوله‌های ML برای پردازش داده‌های بزرگ با استفاده از Dataflow و Data Prep
• نحوه تعریف وظایف (Tasks) و گام‌های (Steps) چندمرحله‌ای در Kubeflow Pipelines
• استقرار مدل‌ها در Vertex AI برای Inferencing مقیاس‌پذیر
• مدیریت نسخه مدل‌ها و ثبت خودکار آن‌ها در Model Registry
• مانیتورینگ، لاگ‌برداری و هشداردهی با Cloud Monitoring و Cloud Logging
• پیاده‌سازی CI/CD برای پروژه‌های ML و خودکارسازی تست و استقرار
• ایجاد اتوماسیون برای پیش‌پردازش داده، آموزش مدل و ارزیابی مداوم

• کسب مهارت در چیدمان اصولی ML Pipelines که به سرعت اجرا و نگهداری آسان منجر می‌شود
• افزایش توانایی در مقیاس‌دهی خودکار مدل‌ها برای بارکاری سنگین و حجم بالای درخواست‌ها
• پیاده‌سازی شیوه‌های DevOps برای یادگیری ماشین (MLOps) و کاهش خطاهای انسانی
• افزایش سرعت چرخه توسعه تا تولید (Time-to-Production) در پروژه‌های داده‌محور
• ارائه نمونه‌های عملی که قابلیت انتقال مستقیم به پروژه‌های سازمانی را دارند

• معرفی ML Pipelines و معماری Google Cloud برای یادگیری ماشین
• کار با Google Cloud Storage و BigQuery برای ذخیره و واکشی داده
• ساخت گام‌های Dataflow برای پاک‌سازی و تبدیل داده
• پیاده‌سازی Kubeflow Pipelines و تعریف قالب‌های YAML
• استفاده از Vertex AI Training برای اجرای توزیع‌شده مدل‌ها
• مدیریت مدل‌ها در Vertex AI Model Registry
• راه‌اندازی سرویس‌های آنلاین و Batch Prediction
• مکانیزم‌های نظارت و هشداردهی بر اساس SLA
• یکپارچه‌سازی با Cloud Run و Cloud Functions
• استراتژی‌های به‌روزرسانی و انتشار تدریجی مدل (Canary, Blue-Green)

در طول دوره چندین نمونه پروژه واقعی بررسی می‌شود، از جمله:

• خط‌لوله‌ای برای تشخیص تقلب در تراکنش‌های بانکی که داده‌ها را از BigQuery واکشی و پس از آموزش مدل، نتایج را در Cloud Pub/Sub قرار می‌دهد.
• اتوماسیون پردازش تصاویر ماهواره‌ای با استفاده از Dataflow و TensorFlow، برای پیش‌بینی تغییرات محیط زیستی.
• استقرار یک سرویس پیشنهاددهنده فیلم در وب‌سایت، با استفاده از Vertex AI و A/B Testing برای ارزیابی کارایی مدل.

• همیشه مراحل پیش‌پردازش را به صورت مجزا و قابل بازتولید تعریف کنید.
• برای افزایش پایداری از Versioning مدل و داده استفاده کنید.
• واحدهای کوچک (Micro-batches) را اولویت قرار دهید تا مشکلات Trail-and-Fix کاهش یابد.
• از Monitoring خودکار برای شناسایی Drift داده و مدل بهره ببرید.
• مستندسازی دقیق خط‌لوله و APIها به تسهیل همکاری تیمی کمک می‌کند.