فلش‌کارت‌های آموزشی مدیریت نسخه و حاکمیت مدل‌های یادگیری ماشین (MacroML)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدیریت نسخه و حاکمیت مدل‌های یادگیری ماشین (MacroML)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مهندسی یادگیری ماشین (MLOps)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدیریت نسخه مدل‌های یادگیری ماشین
• 2. چرا مدیریت نسخه مدل ضروری است؟
• 3. چالش‌های مدیریت مدل در چرخه حیات یادگیری ماشین
• 4. معماری یک سیستم مدیریت نسخه مدل
• 5. آشنایی با ابزارهای مدیریت نسخه مدل (MLflow, DVC, Comet, Weights & Biases)
• 6. مقایسه ابزارهای محبوب مدیریت نسخه مدل
• 7. نصب و راه‌اندازی MLflow
• 8. ذخیره سازی مدل‌ها در MLflow
• 9. ردیابی پارامترها و متریک‌ها با MLflow
• 10. مدیریت آزمایش‌ها با MLflow
• 11. استفاده از MLflow Tracking UI
• 12. بسته‌بندی مدل‌ها برای استقرار
• 13. مدیریت مدل‌های استقرار یافته
• 14. مقدمه‌ای بر مفهوم حاکمیت مدل
• 15. اهمیت حاکمیت مدل در سازمان‌ها
• 16. چارچوب‌های حاکمیت مدل (Model Governance Frameworks)
• 17. خط‌مشی‌ها و رویه‌های حاکمیت مدل
• 18. مدیریت ریسک‌های مرتبط با مدل‌های یادگیری ماشین
• 19. تفسیرپذیری مدل (Model Interpretability) و توضیح‌پذیری (Explainability)
• 20. نظارت بر مدل‌ها (Model Monitoring) و تشخیص انحراف (Drift Detection)
• 21. آزمایش و اعتبارسنجی مدل‌ها قبل از استقرار
• 22. کنترل کیفیت داده‌ها برای آموزش مدل
• 23. مدیریت دسترسی و امنیت مدل‌ها
• 24. مستندسازی مدل‌ها و فرآیند توسعه
• 25. اتوماسیون فرآیند مدیریت نسخه و حاکمیت مدل (CI/CD for ML)
• 26. بهره‌گیری از Git برای مدیریت کد و مدل
• 27. کار با فایل‌های پیکربندی مدل
• 28. بهینه‌سازی فضای ذخیره‌سازی مدل‌ها
• 29. مدیریت مدل‌های بزرگ (Large Models)
• 30. مقایسه استراتژی‌های مختلف مدیریت مدل
• 31. بهبود تکرارپذیری نتایج یادگیری ماشین
• 32. مدیریت وابستگی‌های مدل
• 33. استفاده از Docker برای کانتینرایز کردن مدل‌ها
• 34. استفاده از Kubernetes برای استقرار مدل‌ها
• 35. مقیاس‌پذیری سیستم مدیریت نسخه مدل
• 36. یکپارچه‌سازی با پلتفرم‌های ابری (AWS, Azure, GCP)
• 37. بهترین شیوه‌ها برای مدیریت نسخه مدل
• 38. ایجاد یک گردش کار (Workflow) برای مدیریت مدل
• 39. راهکارهای رفع اشکال و عیب‌یابی در مدیریت مدل