اپلیکیشن اندرویدی فلش‌کارت آموزشی پیاده‌سازی و بهینه‌سازی مدل‌های یادگیری ماشین با استفاده از MLFlow و فرمت‌های استاندارد

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی و بهینه‌سازی مدل‌های یادگیری ماشین با استفاده از MLFlow و فرمت‌های استاندارد

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مدیریت چرخه عمر مدل‌های یادگیری ماشین (MLOps)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین: نظارت شده، بدون نظارت و تقویتی
• 3. مقدمه‌ای بر چرخه عمر مدل‌های یادگیری ماشین
• 4. معرفی MLOps و اهمیت آن
• 5. اهمیت ابزارها در MLOps
• 6. معرفی MLFlow برای مدیریت چرخه عمر مدل
• 7. نصب و پیکربندی MLFlow
• 8. مبانی ردیابی آزمایشات (Experiment Tracking) در MLFlow
• 9. ثبت پارامترها و معیارهای ارزیابی در MLFlow
• 10. مدیریت مصنوعات (Artifacts) در MLFlow
• 11. نحوه استفاده از لاگ‌ها در MLFlow
• 12. معرفی فرمت‌های استاندارد مدل‌های یادگیری ماشین
• 13. فرمت GGUF: کاربردها و مزایا
• 14. فرمت ONNX: کاربردها و مزایا
• 15. فرمت MLFlow: کاربردها و مزایا
• 16. مقایسه فرمت‌های GGUF، MLFlow و ONNX
• 17. معرفی مدل Microsoft Phi3 Mini 128k
• 18. آماده‌سازی مدل Microsoft Phi3 Mini 128k
• 19. تبدیل مدل به فرمت GGUF
• 20. تبدیل مدل به فرمت ONNX
• 21. تبدیل مدل به فرمت MLFlow
• 22. نحوه بارگذاری و اجرای مدل در فرمت GGUF
• 23. نحوه بارگذاری و اجرای مدل در فرمت ONNX
• 24. نحوه بارگذاری و اجرای مدل در فرمت MLFlow
• 25. مقایسه عملکرد مدل در فرمت‌های مختلف
• 26. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 27. تکنیک‌های پیش‌پردازش داده‌ها
• 28. مدیریت داده‌های نامتعادل
• 29. انتخاب ویژگی (Feature Selection)
• 30. تکنیک‌های کاهش ابعاد (Dimensionality Reduction)
• 31. مقدمه‌ای بر ارزیابی مدل
• 32. معیارهای ارزیابی برای رگرسیون
• 33. معیارهای ارزیابی برای طبقه‌بندی
• 34. منحنی ROC و AUC
• 35. نحوه ثبت و مقایسه نتایج ارزیابی در MLFlow
• 36. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 37. روش‌های جستجوی ابرپارامترها
• 38. استفاده از MLFlow برای ردیابی تنظیم ابرپارامترها
• 39. مقدمه‌ای بر استقرار مدل (Model Deployment)
• 40. استراتژی‌های مختلف استقرار مدل
• 41. استقرار مدل به صورت API
• 42. استقرار مدل در محیط‌های ابری
• 43. استقرار مدل در دستگاه‌های لبه (Edge Devices)
• 44. استقرار مدل با استفاده از Docker
• 45. استقرار مدل با استفاده از Kubernetes
• 46. مدیریت نسخه‌های مدل (Model Versioning)
• 47. استفاده از MLFlow برای مدیریت نسخه‌های مدل
• 48. نظارت بر عملکرد مدل پس از استقرار (Model Monitoring)
• 49. شناسایی افت عملکرد مدل
• 50. تکنیک‌های بازآموزی (Retraining) مدل
• 51. زمان‌بندی بازآموزی مدل
• 52. مدیریت داده‌های انحرافی (Data Drift)
• 53. مدیریت انحراف مدل (Concept Drift)
• 54. اهمیت تست خودکار در MLOps
• 55. نوشتن تست برای پیش‌پردازش داده‌ها
• 56. نوشتن تست برای مدل‌ها
• 57. نوشتن تست برای خط لوله (Pipeline)
• 58. مقدمه‌ای بر مهندسی خط لوله (Pipeline Engineering)
• 59. ساخت خط لوله با استفاده از MLFlow Projects
• 60. اجرای خط لوله با MLFlow
• 61. مدیریت وابستگی‌ها در MLFlow Projects
• 62. استفاده از Git برای کنترل نسخه خط لوله
• 63. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 64. کاربرد یادگیری انتقالی در فرمت‌های مختلف
• 65. تنظیم دقیق مدل (Fine-tuning) مدل‌های از پیش آموزش دیده
• 66. مقدمه‌ای بر شبکه‌های عصبی عمیق
• 67. معماری‌های متداول شبکه‌های عصبی
• 68. کاربرد شبکه‌های عصبی در پردازش زبان طبیعی
• 69. کاربرد شبکه‌های عصبی در بینایی ماشین
• 70. استفاده از MLFlow برای ردیابی آزمایشات شبکه‌های عصبی
• 71. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 72. معرفی مدل Microsoft Phi3 Mini 128k به عنوان یک LLM
• 73. مقایسه LLMها در فرمت‌های مختلف
• 74. کاربرد LLMها در سناریوهای مختلف
• 75. ملاحظات اخلاقی در هوش مصنوعی
• 76. سوگیری در مدل‌های یادگیری ماشین
• 77. شفافیت و قابلیت توضیح‌پذیری مدل‌ها
• 78. امنیت مدل‌های یادگیری ماشین
• 79. حریم خصوصی داده‌ها در یادگیری ماشین
• 80. ملاحظات امنیتی فرمت GGUF
• 81. ملاحظات امنیتی فرمت ONNX
• 82. ملاحظات امنیتی فرمت MLFlow
• 83. بهینه‌سازی مدل برای کارایی (Performance Optimization)
• 84. فشرده‌سازی مدل (Model Compression)
• 85. کوچک‌سازی مدل (Model Quantization)
• 86. روش‌های شتاب‌دهی به مدل
• 87. کاربرد MLFlow در بهینه‌سازی مدل
• 88. مقدمه‌ای بر معماری‌های مدل‌های توزیع شده
• 89. آموزش مدل‌های توزیع شده با استفاده از MLFlow
• 90. مدیریت منابع محاسباتی در MLOps
• 91. استفاده از پلتفرم‌های MLOps
• 92. مقایسه پلتفرم‌های MLOps
• 93. مقدمه‌ای بر آینده MLOps
• 94. روندهای نوظهور در MLOps
• 95. نقش هوش مصنوعی در خودکارسازی MLOps
• 96. کاربرد MLFlow در آینده MLOps
• 97. جمع‌بندی و بهترین شیوه‌ها در MLOps