اپلیکیشن اندرویدی فلش‌کارت آموزشی ساخت و استقرار مدل‌های یادگیری ماشین با MLflow و Docker

349,950 تومان
دوره ساخت و استقرار مدل‌های یادگیری ماشین با MLflow و Docker ساخت و استقرار مدل‌های یادگیری ماشین با MLflow و Docker: از آزمایشگاه تا عملیات واقعی 1. معرفی دوره: مدل‌های هوش مصنوعی خود را به دنیای واق...
پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 87,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 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
اپلیکیشن آموزشی اندروید
یادگیری هوشمند، همیشه همراه شما
فلش‌کارت‌های آموزشی را در یک محیط فارسی، ساده و کاربردی مرور کنید؛ پاسخ‌های خود را بسنجید و پیشرفت یادگیری‌تان را دنبال کنید.
مطالعه آفلاین محیط فارسی و راست‌چین ویژه اندروید
فلش‌کارت آموزشی؛ روشی کاربردی برای مرور مطالب

این اپلیکیشن فارسی برای یادگیری و مرور محتوای آموزشی از طریق فلش‌کارت طراحی شده است. کارت‌ها را یکی‌یکی مرور کنید، پاسخ پرسش‌ها را به یاد بیاورید و نتیجه هر پاسخ را ثبت کنید. محتوای دوره پس از نصب درون برنامه در دسترس است تا برای مطالعه روزمره معمولاً به اتصال مداوم اینترنت نیاز نداشته باشید.

📴
یادگیری بدون اینترنت مداوم
پس از نصب و در دسترس بودن محتوای دوره، فلش‌کارت‌ها را در زمان و مکان دلخواه مرور کنید.
🗂️
انواع محتوای آموزشی
از نکته‌های آموزشی تا پرسش‌های چهارگزینه‌ای و پرسش‌وپاسخ، مطالب را متناسب با نیاز خود مرور کنید.
📊
ارزیابی میزان یادگیری
پاسخ‌های درست و غلط خود را ثبت کنید و آمار عملکردتان را به تفکیک نوع محتوا ببینید.
🎯
مرور هدفمند فصل‌ها
فصل‌های موردنظر را انتخاب کنید و با استفاده از گزینه انتخاب همه، مرور فصل‌های مرورنشده را در اولویت قرار دهید.
انواع فلش‌کارت‌های قابل مرور

محتوای آموزشی در قالب‌های متنوع ارائه می‌شود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموخته‌ها قابل استفاده باشد.

💬
نکته‌های خودمانی
یادگیری ساده و روان
📘
نکته‌های رسمی و کتابی
مرور دقیق مفاهیم
📝
پرسش‌های چهارگزینه‌ای
سنجش آموخته‌ها
❓
پرسش‌وپاسخ
تمرین یادآوری پاسخ
🎓
درسنامه
مرور محتوای آموزشی
امکانات مرور و ارزیابی
حرکت ساده بین کارت‌ها
استفاده از دکمه‌های قبلی و بعدی و مشاهده نوار پیشرفت برای دنبال کردن روند مرور.
مشاهده پاسخ و توضیحات
برگرداندن کارت برای نمایش پاسخ و توضیحات در قالب‌هایی مانند تست و پرسش‌وپاسخ.
تنظیم اندازه فونت
انتخاب اندازه مناسب نوشته‌ها برای تجربه مطالعه راحت‌تر.
نمایش فرمول‌های ریاضی
پشتیبانی از نمایش صحیح فرمول‌ها و روابط ریاضی مبتنی بر LaTeX.
ثبت نتیجه و گزارش آماری
علامت‌گذاری هر پاسخ به‌صورت درست یا غلط و مشاهده تعداد و درصد موفقیت برای انواع محتوا.
طراحی‌شده برای مطالعه روزمره
  • رابط کاربری فارسی و راست‌چین با فونت وزیر.
  • تم روشن و تیره مطابق تنظیمات سیستم.
  • صفحه‌بندی ساده برای انتخاب دوره و شروع مرور.
  • نمایش تعداد دفعات مرور هر فصل.
  • انتخاب چند فصل برای مرور هم‌زمان.
  • امکان تمرکز بر فصل‌هایی که هنوز مرور نشده‌اند.
مناسب برای چه کسانی است؟

این اپلیکیشن برای دانش‌آموزان، دانشجویان، داوطلبان آزمون‌ها و علاقه‌مندان به یادگیری طراحی شده است؛ به‌ویژه کسانی که می‌خواهند مطالب آموزشی را در زمان‌های کوتاه مرور کنند، دانسته‌های خود را بسنجند و مطالعه منظم‌تری داشته باشند.

توجه: محتوای آموزشی و تعداد فلش‌کارت‌ها به دوره انتخاب‌شده بستگی دارد. محتوای دوره پس از نصب، درون برنامه قابل استفاده است؛ با این حال، دریافت اولیه اپلیکیشن و به‌روزرسانی‌های احتمالی ممکن است به اینترنت نیاز داشته باشند.
گالری تصاویر اپلیکیشن‌ها
محیط واقعی اپلیکیشن‌های آموزشی ما
تصاویر زیر، نمونه‌هایی از محیط واقعی اپلیکیشن‌های آموزشی ما هستند و قالب کلی، سبک طراحی و شیوه نمایش محتوای آموزشی در این برنامه‌ها را نشان می‌دهند.
نگاهی به فضای داخل برنامه
تصویر محیط اپلیکیشن آموزشی ۱
نمای اپلیکیشن ۱
تصویر محیط اپلیکیشن آموزشی ۲
نمای اپلیکیشن ۲
تصویر محیط اپلیکیشن آموزشی ۳
نمای اپلیکیشن ۳
تصویر محیط اپلیکیشن آموزشی ۴
نمای اپلیکیشن ۴
تصویر محیط اپلیکیشن آموزشی ۵
نمای اپلیکیشن ۵
تصویر محیط اپلیکیشن آموزشی ۶
نمای اپلیکیشن ۶
تصویر محیط اپلیکیشن آموزشی ۷
نمای اپلیکیشن ۷
تصویر محیط اپلیکیشن آموزشی ۸
نمای اپلیکیشن ۸
تصویر محیط اپلیکیشن آموزشی ۹
نمای اپلیکیشن ۹
تصویر محیط اپلیکیشن آموزشی ۱۰
نمای اپلیکیشن ۱۰
تصویر محیط اپلیکیشن آموزشی ۱۱
نمای اپلیکیشن ۱۱
نکته مهم درباره تصاویر
این تصاویر نمونه‌ای از قالب و سبک طراحی اپلیکیشن‌های آموزشی ما هستند. اپلیکیشن ارائه‌شده نیز از همین رویکرد طراحی و نمایش محتوای آموزشی پیروی می‌کند؛ جزئیات ظاهری و امکانات قابل مشاهده ممکن است متناسب با نوع دوره و بخش مورد استفاده متفاوت باشد.
تگ‌ها: Data Science Docker Machine Learning MLflow MLOps آموزش MLOps استقرار مدل برنامه نویسی داکر علم داده کانتینرسازی هوش مصنوعی یادگیری ماشین

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.