فلش‌کارت‌های آموزشی پیاده‌سازی عملی MLOps برای پروژه‌های صنعتی: از مدل تا تولید

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی عملی MLOps برای پروژه‌های صنعتی: از مدل تا تولید

موضوع کلی: مهندسی نرم‌افزار و عملیات یادگیری ماشین

موضوع میانی: استقرار و نگهداری سیستم‌های یادگیری ماشین در صنعت

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر MLOps و چرخه حیات یادگیری ماشین صنعتی
• 2. تفاوت بین DevOps، ML Engineering و MLOps
• 3. بررسی ابزارهای اصلی و معماری مرجع MLOps
• 4. مدیریت و نسخه‌گذاری داده‌های آموزشی
• 5. پیاده‌سازی خط لوله استخراج و تبدیل ویژگی (Feature Pipeline)
• 6. مدیریت و نسخه‌گذاری مدل‌ها (Model Registry)
• 7. یکپارچه‌سازی پایپلاین CI/CD برای پروژه‌های ML
• 8. خودکارسازی تست‌های واحد و یکپارچگی برای کد ML
• 9. تست اعتبارسنجی داده‌ها و انحراف داده (Data Drift Detection)
• 10. تست عملکرد و اعتبارسنجی مدل پیش از استقرار (Model Validation)
• 11. استقرار مدل با استفاده از API‌های RESTful (FastAPI/Flask)
• 12. استقرار مدل با استفاده از سرویس‌های استنتاج دسته‌ای (Batch Inference)
• 13. مدیریت کانتینرها با Docker برای محیط‌های ML
• 14. ارکستراسیون کانتینرها با Kubernetes برای استقرار مقیاس‌پذیر
• 15. استفاده از Feature Store برای سرویس‌دهی بلادرنگ ویژگی‌ها
• 16. مدیریت پیکربندی و متغیرهای محیطی در استقرار
• 17. پیاده‌سازی Pipeline استقرار با استفاده از Argo Workflows یا Airflow
• 18. مدیریت و رهگیری آزمایش‌ها با ابزارهایی مانند MLflow
• 19. نظارت بر سلامت مدل و زیرساخت در محیط تولید
• 20. تشخیص و مدیریت انحراف داده (Data Drift) و انحراف مفهوم (Concept Drift)
• 21. مدیریت رانش مدل و استراتژی‌های بازآموزی خودکار (Retraining Pipelines)
• 22. پیاده‌سازی خط لوله بازخورد انسانی (Human-in-the-Loop)
• 23. مدیریت لاگ‌ها و خطاها در سیستم‌های ML تولیدی
• 24. مقیاس‌پذیری افقی سرویس‌های استنتاج (Auto-scaling)
• 25. مدیریت حافظه و بهینه‌سازی مصرف منابع برای مدل‌ها
• 26. مدیریت امنیت و کنترل دسترسی به مدل‌ها و داده‌ها
• 27. رمزنگاری و امنیت در انتقال داده‌های استنتاج
• 28. مدیریت نسخه‌های مختلف مدل و استراتژی کاناری (Canary Deployment)
• 29. اجرای استقرار آبی-سبز (Blue-Green Deployment) برای مدل‌ها
• 30. مدیریت و برنامه‌ریزی آزمایش‌های A/B بر روی مدل‌های تولیدی
• 31. مدیریت هزینه‌های زیرساخت ابری برای استقرار ML
• 32. یکپارچه‌سازی با سرویس‌های ابری (AWS SageMaker، GCP Vertex AI، Azure ML)
• 33. مدیریت خط لوله داده برای یادگیری ماشین در مقیاس صنعتی
• 34. اتوماسیون استخراج و بارگذاری داده از منابع مختلف
• 35. پیاده‌سازی خط لوله استخراج، تبدیل و بارگذاری (ETL/ELT) برای ML
• 36. مدیریت و پایش کیفیت داده‌ها در طول زمان
• 37. مدیریت و نگهداری مخزن ویژگی‌ها (Feature Repository)
• 38. مدیریت و برنامه‌ریزی وظایف زمان‌بندی شده برای آموزش مجدد
• 39. مدیریت و مستندسازی فراداده (Metadata) مدل و آزمایش‌ها
• 40. مدیریت و رفع خطاهای رایج در استقرار مدل (Troubleshooting)
• 41. مدیریت و بازیابی فاجعه (Disaster Recovery) برای سیستم‌های ML
• 42. مدیریت و ممیزی انطباق مدل با قوانین (Compliance)
• 43. مدیریت و مستندسازی فرآیند تصمیم‌گیری مدل (Explainability)
• 44. مدیریت و ذخیره‌سازی مدل‌ها در رجیستری با برچسب‌گذاری
• 45. مدیریت و پیاده‌سازی Pipelineهای استقرار برای مدل‌های TensorFlow و PyTorch
• 46. مدیریت و بهینه‌سازی استنتاج بر روی GPU و CPU
• 47. مدیریت و استفاده از سرویس‌های Message Queue برای استنتاج ناهمگام
• 48. مدیریت و پیاده‌سازی Pipelineهای بازگشت به وضعیت قبلی (Rollback)
• 49. مدیریت و نظارت بر معیارهای تجاری (Business KPIs) مرتبط با مدل
• 50. مدیریت و یکپارچه‌سازی با ابزارهای مانیتورینگ (Prometheus، Grafana)
• 51. مدیریت و تعریف هشدارها (Alerts) برای خرابی مدل یا داده
• 52. مدیریت و تحلیل علت ریشه‌ای (Root Cause Analysis) در خطاهای ML
• 53. مدیریت و مستندسازی فرآیند آموزش و استقرار برای تیم‌ها
• 54. مدیریت و پیاده‌سازی استراتژی‌های کش (Caching) برای پاسخ‌های تکراری
• 55. مدیریت و پیاده‌سازی Pipelineهای Feature Engineering خودکار
• 56. مدیریت و نگهداری مستندات فنی و معماری سیستم MLOps
• 57. مدیریت و یکپارچه‌سازی با سیستم‌های Ticketing و هشدار (مانند PagerDuty)
• 58. مدیریت و پیاده‌سازی Pipelineهای تست نفوذ و امنیت برای API مدل
• 59. مدیریت و بهینه‌سازی هزینه‌های ذخیره‌سازی نسخه‌های مختلف مدل
• 60. مدیریت و پیاده‌سازی سیستم‌های توصیه‌گر بلادرنگ با MLOps
• 61. مدیریت و پیاده‌سازی Pipelineهای تشخیص ناهنجاری (Anomaly Detection) در تولید