دوره ساخت و استقرار مدل‌های یادگیری ماشین با MLflow و Docker همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

2,490,000 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: 622,500 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
✦ مجموعه ویژه یادگیری

یک دوره، چند مسیر برای یادگیری بهتر

کتاب‌های آموزشی، محتوای صوتی و تصویری و دسترسی به سامانه آنلاین فلش‌کارت؛ مجموعه‌ای برای مطالعه، تمرین و تثبیت آموخته‌ها.

📚 محتوای متنی 🎧 صوت و ویدیو 🧠 مرور هوشمند

محتویات بسته آموزشی

مجموعه‌ای از منابع برای شیوه‌های مختلف یادگیری
📚
کتاب نکته‌های خودمانی
نسخه PDF با زبان ساده، روان و کاربردی برای یادگیری راحت‌تر مفاهیم.
PDF · بیان ساده
📘
کتاب نکته‌های رسمی فارسی
نسخه PDF با نگارش استاندارد، بیان دقیق و رویکرد علمی.
PDF · نگارش رسمی
❓
کتاب پرسش و پاسخ تشریحی
نسخه PDF برای مرور مفاهیم و آشنایی با پاسخ‌های توضیحی.
PDF · یادگیری مفهومی
✅
کتاب پرسش‌های چهارگزینه‌ای
نسخه PDF برای تمرین، سنجش آموخته‌ها و آمادگی بیشتر.
PDF · تمرین و سنجش
🎧
پادکست‌های صوتی فارسی
محتوای صوتی برای یادگیری و مرور مطالب در زمان‌های مختلف.
محتوای صوتی
🎬
ویدیوهای آموزشی فارسی
محتوای ویدیویی برای تکمیل تجربه یادگیری و درک بهتر مطالب.
محتوای ویدیویی
💻
اکانت سامانه آنلاین فلش‌کارت
دسترسی به نرم‌افزار آنلاین فلش‌کارت ویژه این دوره برای تمرین و مرور مطالب.
دسترسی آنلاین
🎓
گواهی پایان دوره
امکان دریافت گواهی پس از تکمیل فعالیت‌های لازم در سامانه و طی مراحل تأیید.
پس از تکمیل شرایط
💾
بسته فیزیکی روی فلش مموری
این محصول به‌صورت فلش مموری حاوی فایل‌های آموزشی، محتوای صوتی و ویدیویی ارائه می‌شود.
تحویل فیزیکی
نکته: استفاده از سامانه آنلاین فلش‌کارت به اتصال اینترنت نیاز دارد؛ محتوای قابل استفاده آفلاین به نوع فایل‌های موجود در بسته بستگی دارد.
SMART LEARNING

🌐 سامانه آنلاین فلش‌کارت؛ مرور هدفمند و هوشمند

اکانت ارائه‌شده، دسترسی به نسخه تحت وب سامانه فلش‌کارت ویژه این دوره را فراهم می‌کند. این سامانه از الگوریتم زمان‌بندی مرور SM-2 استفاده می‌کند و بر اساس ارزیابی شما از میزان یادآوری هر کارت، زمان مرورهای بعدی را تنظیم می‌کند.

به این ترتیب، کارت‌های دشوارتر می‌توانند زودتر مرور شوند و برای تثبیت مطالب در حافظه، برنامه مرور متناسب‌تری داشته باشید.

🧠
مرور زمان‌بندی‌شده
📈
پیگیری پیشرفت
🔄
تمرین و تکرار هدفمند
📚 حجم آموزشی دوره
هزاران
فلش‌کارت آموزشی، به‌صورت تقریبی
۶۰ ساعت
مدت‌زمان معادل برآوردشده آموزشی

مدت‌زمان معادل آموزشی بر اساس برآورد این دوره در گواهی درج می‌شود.

🏅

گواهی دوزبانه با استعلام آنلاین

گواهی فارسی و انگلیسی · لینک اختصاصی · QR Code

پس از تکمیل فعالیت‌های لازم و تأیید درخواست، گواهی پایان دوره به زبان فارسی و انگلیسی صادر می‌شود. گواهی دارای لینک اختصاصی و QR Code برای بررسی و استعلام آنلاین است.

⚖️ توضیح مهم درباره گواهی پایان دوره

این گواهی صرفاً به‌عنوان گواهی اتمام دوره آموزشی صادر می‌شود و معادل مدرک دانشگاهی، آکادمیک یا مدرک رسمی مورد تأیید نهادهای دولتی نیست. صدور آن منوط به تکمیل شرایط دوره و تأیید نهایی درخواست است.

تجربه‌ای کامل‌تر برای مطالعه، تمرین و یادگیری
express24.ir
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.