کتاب صوتی ساخت خطوط لولهٔ یادگیری ماشین با Kubeflow و Docker

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت خطوط لولهٔ یادگیری ماشین با Kubeflow و Docker

موضوع کلی: یادگیری ماشین و هوش مصنوعی

موضوع میانی: مهندسی یادگیری ماشین (MLOps)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر MLOps و چالش‌های توسعه مدل‌های یادگیری ماشین
• 2. معماری یک خط لولهٔ MLOps
• 3. Docker برای MLOps: بسته‌بندی و کانتینری‌سازی مدل‌ها
• 4. ساخت تصاویر Docker برای اپلیکیشن‌های یادگیری ماشین
• 5. آشنایی با Kubeflow: پلتفرم MLOps متن‌باز
• 6. نصب و پیکربندی Kubeflow در Kubernetes
• 7. مفاهیم کلیدی Kubeflow: Pipelines، Katib، KFServing
• 8. ایجاد اولین خط لولهٔ Kubeflow ساده
• 9. نوشتن کامپوننت‌های سفارشی Kubeflow Pipeline با استفاده از Python SDK
• 10. مدیریت داده در Kubeflow Pipelines
• 11. آماده‌سازی و پیش‌پردازش داده‌ها در خط لوله
• 12. انتخاب مدل و آموزش مدل در Kubeflow Pipelines
• 13. ارزیابی و اعتبارسنجی مدل در خط لوله
• 14. بهینه‌سازی هایپرپارامترها با Kubeflow Katib
• 15. استقرار مدل با Kubeflow KFServing
• 16. مانیتورینگ و لاگینگ مدل‌های مستقر شده
• 17. مقیاس‌پذیری و مدیریت منابع در Kubeflow
• 18. امنیت خطوط لولهٔ Kubeflow
• 19. استفاده از Kubeflow Volumes برای اشتراک‌گذاری داده‌ها
• 20. اتوماسیون آموزش مدل با Kubeflow
• 21. CI/CD برای مدل‌های یادگیری ماشین با Kubeflow
• 22. ادغام Kubeflow با ابزارهای GitOps
• 23. مدیریت نسخه‌های مدل
• 24. استفاده از Metadata Tracking در Kubeflow
• 25. نوشتن تست‌های واحد و یکپارچگی برای خطوط لوله
• 26. عیب‌یابی و رفع اشکال خطوط لوله
• 27. بهبود عملکرد خطوط لوله
• 28. استفاده از Kubeflow برای پردازش داده‌های جریانی
• 29. Kubeflow در محیط‌های ابری (AWS, GCP, Azure)
• 30. استفاده از Kubeflow برای یادگیری تقویتی
• 31. بهینه‌سازی مصرف هزینه در Kubeflow
• 32. معرفی Kubeflow Fairing
• 33. استفاده از Kubeflow برای مدل‌های بزرگ
• 34. بهینه‌سازی خطوط لوله برای حجم داده های بالا
• 35. استفاده از پیش‌پردازنده‌های داده در Kubeflow
• 36. مدیریت وابستگی‌ها در خطوط لوله
• 37. استفاده از Docker Compose برای توسعه محلی
• 38. استفاده از Minikube برای توسعه محلی
• 39. معرفی ابزارهای مانیتورینگ Kubeflow
• 40. ادغام Kubeflow با سیستم‌های هشداردهی
• 41. پیاده‌سازی خطوط لولهٔ MLOps در مقیاس بزرگ
• 42. بهبود قابلیت اطمینان خطوط لوله
• 43. استفاده از Kubeflow برای مدل‌های زبان بزرگ (LLM)
• 44. استقرار مدل‌های LLM با Kubeflow
• 45. استفاده از Kubeflow برای بینایی کامپیوتر
• 46. استفاده از Kubeflow برای پردازش زبان طبیعی (NLP)
• 47. استفاده از Kubeflow برای داده‌های سری زمانی
• 48. Kubeflow و Data Science Workbench
• 49. تبدیل مدل‌های TensorFlow به خطوط لوله Kubeflow
• 50. تبدیل مدل‌های PyTorch به خطوط لوله Kubeflow
• 51. بهینه‌سازی خطوط لوله برای کاهش زمان اجرا
• 52. استفاده از کشینگ در Kubeflow Pipelines
• 53. مدیریت پیکربندی خطوط لوله
• 54. استفاده از Secrets در Kubeflow Pipelines
• 55. استفاده از ConfigMaps در Kubeflow Pipelines
• 56. استفاده از Artifacts در Kubeflow Pipelines