×
ribbon
مکتب خونه هوش مصنوعیهوش مصنوعی برای برنامه‌نویسیMLOps

بوت‌کمپ جامع MLOps با بیش از ۱۰ پروژه عملی یادگیری ماشین

مدرس:Udemy

آکادمی گرولیKrish Naikشرکت Krish AI Technologies

این دوره با هدف تجهیز شما به مهارت ها و دانش لازم برای پیاده سازی و خودکارسازی استقرار،... بیشتر
زیرنویس
4.5 (8)
1 دیدگاه
860دانشجو
50ساعت
سرفصل‌ها
مقدماتی تا پیشرفته سطح دوره
بروزرسانیآذر ۱۴۰۴

اشتراک مکتب‌پلاس

خرید اشتراک

با خرید اشتراک مکتب‌پلاس، علاوه بر این دوره، به بیش از ۴،۰۰۰ دوره دیگر دسترسی خواهید داشت.

دسترسی به تمام دوره‌هابیش از ۴،۰۰۰ دوره
محتوای دوره
سرفصل‌ها
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

ساخت پایپ‌لاین‌های مقیاس‌پذیر MLOps با استفاده از Git، Docker و یکپارچه‌سازی CI/CD

پیاده‌سازی MLflow و DVC برای نسخه‌بندی مدل‌ها و ردیابی آزمایش‌ها

استقرار مدل‌های کامل یادگیری ماشین (End-to-End) با استفاده از AWS SageMaker و Hugging Face

خودکارسازی پایپ‌لاین‌های ETL و گردش‌کارهای یادگیری ماشین با بهره‌گیری از Apache Airflow و Astro

این دوره شامل:

50 ساعت ویدئو

9 فایل ضمیمه قابل دانلود

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

23 فصل179 جلسه50 ساعت ویدیو
محیط‌های توسعه (IDE) و ویرایشگرهای کدی که می‌توانید استفاده کنید
  شروع کار با Google Colab
06:24
  شروع کار با GitHub Codespaces
08:28
  نصب Anaconda و VS Code
11:34
پیش‌نیازهای پایتون
  شروع کار با VS Code و تنظیم محیط توسعه
10:36
  مبانی پایتون – نحو و معناشناسی (Syntax و Semantics)
20:17
  متغیرها در پایتون
18:55
  انواع داده‌های پایه
09:52
  عملگرها در پایتون
16:16
  دستورات شرطی در پایتون
21:03
  حلقه‌ها در پایتون
28:02
  مثال‌های عملی از لیست‌ها
09:50
  مجموعه‌ها (Sets) در پایتون
21:05
  تاپل‌ها (Tuples) در پایتون
22:34
  دیکشنری‌ها (Dictionaries) در پایتون
38:18
  توابع (Functions) در پایتون
24:21
  مثال‌های عملی توابع پایتون
28:03
  توابع Lambda در پایتون
09:44
  توابع Map در پایتون
11:08
  تابع Filter در پایتون
09:00
  وارد کردن ماژول‌ها و پکیج‌ها در پایتون
17:06
  مروری بر کتابخانه استاندارد پایتون
17:44
  عملیات فایل در پایتون
17:07
  کار با مسیرهای فایل (File Paths)
08:43
  مدیریت استثناها (Exception Handling) در پایتون
25:00
  برنامه‌نویسی شیءگرا (OOP) در پایتون
22:55
  وراثت (Inheritance) در پایتون
19:00
  چندریختی (Polymorphism) در پایتون
19:08
  کپسوله‌سازی (Encapsulation) در پایتون
22:12
  انتزاع (Abstraction) در پایتون
09:08
  متدهای جادویی (Magic Methods) در پایتون
08:03
  استثناهای سفارشی (Custom Exceptions) در پایتون
07:05
  بارگذاری مجدد عملگرها (Operator Overloading) در پایتون
08:31
  ایتراتورها (Iterators) در پایتون
06:25
  ژنراتورها (Generators) در پایتون
11:06
  دکوراتورها (Decorators) در پایتون
21:15
  کار با NumPy در پایتون
28:16
  DataFrame و Series در Pandas
29:09
  دستکاری و تحلیل داده‌ها (Data Manipulation & Analysis)
24:38
  خواندن منابع داده (Data Source Reading)
15:04
  ثبت وقایع (Logging) در پایتون
14:37
  ثبت وقایع با استفاده از چند Logger
04:40
  ثبت وقایع در مثال‌های دنیای واقعی
07:43
آموزش کامل فلاسک (Flask) – از مبتدی تا پیشرفته
  مقدمه‌ای بر فریم‌ورک Flask
12:13
  درک یک نمونه برنامه Flask
12:39
  ادغام HTML با فریم‌ورک Flask
09:09
  متدهای HTTP: GET و POST
11:38
  ساخت URL داینامیک با Jinja2
37:09
  آموزش استفاده از متدهای PUT و DELETE و پیاده‌سازی APIها در فریم‌ورک Flask
23:40
آموزش کامل Git و GitHub
  شروع کار با Git و GitHub
20:31
  بخش 2: دستورات Git برای Merge، Push، Checkout و Log
13:07
  بخش 3: حل تعارض در ادغام شاخه‌های Git
17:35
آموزش کامل MLflow
  مقدمه‌ای بر MLflow
03:25
  شروع کار با MLflow
18:14
  ایجاد محیط MLflow
05:24
  شروع کار با MLflow Tracking Server
10:50
  بررسی عمیق آزمایش‌ها در MLflow
04:22
  شروع کار با پروژه‌های MLflow
06:13
  اولین پروژه یادگیری ماشین با MLflow
26:17
  استفاده از آثار مدل برای استنتاج با MLflow
11:02
  ردیابی مدل‌ها با MLflow Model Registry
13:00
یکپارچه‌سازی پروژه‌های یادگیری ماشین با MLflow Tracking
  آماده‌سازی داده‌ها برای پیش‌بینی قیمت خانه
08:54
  ساخت مدل و ردیابی با MLflow
25:46
ساخت مدل شبکه عصبی مصنوعی (ANN) و یکپارچه‌سازی با MLflow
  شبکه عصبی مصنوعی (ANN) با MLflow – بخش 1
18:34
  شبکه عصبی مصنوعی (ANN) با MLflow – بخش 2
28:57
شروع کار با DVC (کنترل نسخه داده‌ها)
  مقدمه‌ای بر DVC با پیاده‌سازی عملی
24:27
شروع کار با Dagshub
  مقدمه‌ای بر مخزن راه دور Dagshub
03:36
  ایجاد اولین مخزن راه دور با Dagshub
08:05
  استفاده از DVC با مخزن راه دور Dagshub
21:17
پیاده‌سازی کامل پایپ لاین یادگیری ماشین با استفاده از Git، DVC، MLflow و Dagshub
  شروع کار با ساختار پروژه
15:07
  پیاده‌سازی پایپ لاین پیش‌پردازش داده‌ها
11:17
  پیاده‌سازی پایپ لاین آموزش مدل با راه‌اندازی MLflow
18:33
  ردیابی آزمایش‌های MLflow در Dagshub
16:38
  پایپ لاین ارزیابی مدل با MLflow
05:33
  اجرای کامل پایپ لاین با مراحل DVC و قابلیت Repro
19:04

پیش‌نیاز‌ها

  • آشنایی پایه با برنامه‌نویسی پایتون
  • آشنایی اولیه با مفاهیم و الگوریتم‌های یادگیری ماشین
  • دانش مقدماتی Git و GitHub برای مدیریت نسخه کد

توضیحات دوره

این دوره با هدف تجهیز شما به مهارت‌ها و دانش لازم برای پیاده‌سازی و خودکارسازی استقرار، نظارت و مقیاس‌پذیری مدل‌های یادگیری ماشین طراحی شده است؛ آن هم با استفاده از جدیدترین ابزارها و فریم‌ورک‌های MLOps.

در دنیای امروز، صرفاً ساخت یک مدل یادگیری ماشین کافی نیست. برای موفقیت به‌عنوان یک دانشمند داده، مهندس یادگیری ماشین یا متخصص DevOps باید بدانید چگونه مدل‌ها را از مرحله توسعه به محیط تولید منتقل کنید؛ به‌گونه‌ای که مقیاس‌پذیری، قابلیت اعتماد و نظارت مداوم تضمین شود.

در اینجا است که MLOps (عملیات یادگیری ماشین) وارد عمل می‌شود؛ رویکردی که بهترین شیوه‌های DevOps را با چرخه عمر مدل‌های یادگیری ماشین ترکیب می‌کند.

این بوت‌کمپ نه‌تنها مفاهیم پایه و پیشرفته MLOps را به شما معرفی می‌کند، بلکه شما را درگیر پروژه‌های واقعی و عملی علم داده می‌کند.
در پایان این دوره، می‌توانید با اطمینان کامل پایپ‌لاین‌های یادگیری ماشین را در محیط‌های عملیاتی بسازید، مستقر کنید و مدیریت نمایید.

دیدگاه کاربران

4.5

بر اساس امتیاز 8 دانشجو

1
2
3
4
5

دانشجوی دوره

12 روز پیش

4

فعلا دارم پیش میرم ولی تا اینجا خوب بود

گواهینامه اختصاصی دو زبانه

پس از گذراندن دوره به صورت آنلاین در سایت مکتب‌خونه، گواهی‌نامه رسمی پایان دوره به زبان فارسی و انگلیسی، توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.

امکان اشتراک گذاری در لینکدین
دو زبانه
آکادمی گرولیآموزش مهارت‌های شغلی
100دوره
50,691دانشجو
1,503نظر و امتیاز

• آکادمی گرولی با هدف توانمندسازی و توسعه‌ی حرفه‌ای افراد فعالیت می‌کند.

• دوره‌های این آکادمی در حوزه‌های شغلی متنوعی مانند هوش مصنوعی، برنامه‌نویسی، نرم‌افزارهای کاربردی، مدیریت محصول، بازاریابی دیجیتال، مهارت‌های نرم و توسعه کسب‌وکار دسته‌بندی می‌شوند.

• این دوره‌ها اکثرا از پرفروش‌ترین آموزش‌های برترین پلتفرم‌های یادگیری دنیا مانند یودمی، لینکدین‌لرنینگ، کورسرا و ریفورج هستند که همگی با زیرنویس فارسی منتشر شده‌اند. همچنین چندی از دوره‌های این آکادمی نیز، به صورت اختصاصی توسط مدرسان معتبر ایرانی تهیه گردیده‌اند.

Krish Naik
1دوره
860دانشجو
8نظر و امتیاز

او هم‌بنیان‌گذار اجرایی و مهندس ارشد هوش مصنوعی iNeuron است و تجربه‌ای پیشگامانه در یادگیری ماشین، یادگیری عمیق، بینایی کامپیوتری و هوش مصنوعی مولد دارد. او همچنین یک مدرس و منتور است و بیش از ۱۵ سال تجربه در صنعت دارد.

این‌ها دوره‌های Udemy او هستند که در آن‌ها موضوعات مختلف یادگیری ماشین، یادگیری عمیق و هوش مصنوعی را با مثال‌های متعدد از مسائل واقعی توضیح می‌دهد. او بیش از ۳۰ سخنرانی فنی در حوزه علوم داده، یادگیری ماشین و هوش مصنوعی در رویدادها، مؤسسات فنی و انجمن‌های مختلف ارائه کرده است.

هدف اصلی او آشنا کردن همه با یادگیری ماشین و هوش مصنوعی است.

شرکت Krish AI Technologies
1دوره
860دانشجو
8نظر و امتیاز

این شرکت در خط مقدم آموزش در زمینه‌های علوم داده، یادگیری ماشین، هوش مصنوعی مولد، یادگیری عمیق و فناوری‌های مرتبط قرار دارد. این شرکت توسط کریش نایک، پیشکسوت صنعت با بیش از ۱۳ سال تجربه در حوزه تحلیل داده و بیش از ۷ سال تجربه تدریس، تأسیس شده است. مأموریت این شرکت توانمندسازی یادگیرندگان با مهارت‌ها و دانش لازم برای موفقیت در محیط فناوری به سرعت در حال تحول است.

مهارت‌هایی که می‌آموزید

گیت
Docker
Cloud
Kubernetes
MLOps

دیگر دوره‌های آکادمی گرولی