کتاب صوتی ساخت و استقرار مدل‌های یادگیری ماشین با MLflow و Docker

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و استقرار مدل‌های یادگیری ماشین با MLflow و Docker

موضوع کلی: برنامه نویسی

موضوع میانی: حوزه‌های تخصصی**

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین
• 2. مبانی پایتون برای یادگیری ماشین
• 3. ساختارهای داده در پایتون
• 4. الگوریتم‌های کلیدی در پایتون
• 5. مفاهیم اولیه MLflow
• 6. نصب و راه‌اندازی MLflow
• 7. ثبت پارامترهای مدل در MLflow
• 8. ثبت معیارهای ارزیابی مدل در MLflow
• 9. ثبت Artifacts مدل در MLflow
• 10. رابط کاربری MLflow (UI)
• 11. جستجو و مقایسه آزمایش‌ها در MLflow
• 12. مدیریت آزمایش‌ها در MLflow
• 13. مدیریت Runها در MLflow
• 14. مدیریت مدل‌ها در MLflow Registry
• 15. استقرار مدل‌ها با MLflow
• 16. مقدمه‌ای بر Docker
• 17. مفاهیم کلیدی Docker
• 18. نصب و راه‌اندازی Docker
• 19. نوشتن Dockerfile
• 20. ساخت Image در Docker
• 21. اجرای Container در Docker
• 22. شبکه‌بندی در Docker
• 23. مدیریت Volume در Docker
• 24. Docker Compose
• 25. نصب و راه‌اندازی MLflow با Docker
• 26. استقرار مدل‌های MLflow با Docker
• 27. مقدمه‌ای بر خطوط لوله ML (ML Pipelines)
• 28. طراحی خطوط لوله ML
• 29. اجزای خطوط لوله ML
• 30. مثال عملی خط لوله ML
• 31. ادغام MLflow و خطوط لوله ML
• 32. مدیریت وابستگی‌ها در پروژه‌های ML
• 33. استفاده از `requirements.txt`
• 34. مدیریت محیط‌های مجازی پایتون
• 35. استفاده از Pipenv
• 36. استفاده از Poetry
• 37. مفاهیم CI/CD (Continuous Integration/Continuous Deployment)
• 38. اصول CI/CD در یادگیری ماشین
• 39. ابزارهای CI/CD
• 40. ادغام CI/CD با MLflow
• 41. ادغام CI/CD با Docker
• 42. استقرار خودکار مدل‌ها
• 43. تست مدل‌ها
• 44. انواع تست در یادگیری ماشین
• 45. تست واحد برای کد مدل
• 46. تست ادغام برای خطوط لوله ML
• 47. تست A/B برای مدل‌های مستقر شده
• 48. مانیتورینگ مدل‌های مستقر شده
• 49. معیارهای مانیتورینگ
• 50. ابزارهای مانیتورینگ
• 51. نحوه مانیتورینگ با MLflow
• 52. نحوه مانیتورینگ با Docker
• 53. پیشگیری از Drift مدل
• 54. تشخیص Drift مدل
• 55. مدیریت Drift مدل
• 56. امنیت در استقرار مدل‌های ML
• 57. امنیت Docker Containerها
• 58. امنیت MLflow Server
• 59. مدیریت دسترسی‌ها
• 60. مقیاس‌پذیری در استقرار مدل‌ها
• 61. استفاده از Orchestration Tools
• 62. Kubernetes برای استقرار ML
• 63. استقرار مدل‌های ML بر روی Kubernetes
• 64. مقدمه‌ای بر MLOps
• 65. اصول MLOps
• 66. تفاوت MLops با DevOps
• 67. چالش‌های MLOps
• 68. ابزارهای MLOps
• 69. نقش MLflow در MLOps
• 70. نقش Docker در MLOps
• 71. ملاحظات اخلاقی در یادگیری ماشین
• 72. سوگیری (Bias) در داده‌ها و مدل‌ها
• 73. شفافیت (Transparency) در مدل‌ها
• 74. قابلیت توضیح (Explainability) مدل‌ها
• 75. مسئولیت‌پذیری (Accountability)
• 76. استفاده از Feature Stores
• 77. مقدمه‌ای بر Feature Stores
• 78. نحوه کار Feature Stores
• 79. مزایای Feature Stores
• 80. ادغام Feature Stores با MLflow
• 81. ادغام Feature Stores با Docker
• 82. استقرار مدل‌های پیچیده
• 83. مدل‌های Deep Learning
• 84. استقرار مدل‌های Deep Learning با MLflow
• 85. استقرار مدل‌های Deep Learning با Docker
• 86. استفاده از Serverless برای استقرار مدل‌ها
• 87. AWS Lambda
• 88. Google Cloud Functions
• 89. Azure Functions
• 90. استقرار مدل‌های Serverless با MLflow
• 91. استقرار مدل‌های Serverless با Docker
• 92. استقرار مدل‌های Real-time
• 93. Streaming Data Processing
• 94. استقرار مدل‌های Real-time با MLflow
• 95. استقرار مدل‌های Real-time با Docker
• 96. استقرار مدل‌های Batch
• 97. پردازش Batch با MLflow
• 98. پردازش Batch با Docker
• 99. بهینه‌سازی مدل‌ها برای استقرار
• 100. Quantization