دوره تسریع آزمایش‌های یادگیری ماشین با MLflow: از مبتدی تا پیشرفته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسریع آزمایش‌های یادگیری ماشین با MLflow: از مبتدی تا پیشرفته

موضوع کلی: یادگیری ماشین و هوش مصنوعی

موضوع میانی: مهندسی یادگیری ماشین (MLOps)

📋 سرفصل‌های دوره

• 1. معرفی MLflow و MLOps
• 2. چرا به MLflow نیاز داریم؟
• 3. نصب و راه‌اندازی MLflow
• 4. آشنایی با اجزای اصلی MLflow: Tracking, Projects, Models, Registry
• 5. شروع کار با MLflow Tracking: ثبت پارامترها و معیارها
• 6. ثبت خودکار پارامترها و معیارها
• 7. مقایسه آزمایش‌ها با MLflow UI
• 8. استفاده از MLflow Tracking در محیط‌های مختلف (Local, Remote)
• 9. مدیریت آزمایش‌ها: سازماندهی و نام‌گذاری
• 10. MLflow Projects: تعریف و اجرای محیط‌های تکرارپذیر
• 11. ایجاد یک پروژه MLflow ساده
• 12. استفاده از Conda و Docker در MLflow Projects
• 13. اشتراک‌گذاری پروژه‌های MLflow
• 14. MLflow Models: بسته‌بندی مدل‌های یادگیری ماشین
• 15. ذخیره مدل‌ها در فرمت‌های مختلف
• 16. استفاده از MLflow Models برای استقرار (Deployment)
• 17. MLflow Registry: مدیریت چرخه حیات مدل
• 18. ثبت مدل‌ها در Registry
• 19. نسخه‌بندی مدل‌ها
• 20. انتقال مدل‌ها بین مراحل (Staging, Production, Archive)
• 21. مقایسه مدل‌ها در Registry
• 22. استفاده از MLflow REST API
• 23. اتوماسیون فرآیند ثبت و استقرار مدل با CI/CD
• 24. MLflow در Kubernetes
• 25. مقیاس‌پذیری MLflow با Kubernetes
• 26. نظارت بر عملکرد مدل‌های استقرار یافته
• 27. عیب‌یابی و رفع اشکال در MLflow
• 28. بهترین روش‌ها برای استفاده از MLflow
• 29. ادغام MLflow با ابزارهای دیگر (TensorBoard, Comet ML)
• 30. امنیت در MLflow
• 31. مدیریت دسترسی به MLflow UI و API
• 32. استفاده از MLflow برای آزمایش خودکار (AutoML)
• 33. MLflow و Data Versioning
• 34. MLflow و Feature Store
• 35. بررسی case study های واقعی استفاده از MLflow
• 36. پیش‌بینی آینده MLflow و MLOps