دوره آموزشی یادگیری عمیق فولاستک با پایتون
2 ساعت 26 دقیقهپیشرفته2026-03-24
مدرسین
Janani Ravi
Certified Google Cloud Architect and Data Engineer
جزئیات دوره
یادگیری عمیق فقط نوشتن کدهای مدل توی یه نوتبوک نیست؛ دنیای واقعیِ پروژهها، مسیری طولانی از برنامهریزی و آمادهسازی داده تا آموزش، بهینهسازی و در نهایت استقرارِ مدل رو شامل میشه. توی این دوره، جانانی راوی (Janani Ravi) که یک مهندس داده باتجربهست، بهتون یاد میده چطور این چرخه کامل رو مدیریت کنید. نکته جذاب این دوره اینه که فقط روی تئوری تمرکز نداره؛ بلکه با استفاده از پایتون و ابزارهای حرفهای مثل MLflow برای مدیریت عملیات یادگیری ماشین (MLOps) و Optuna برای تنظیم دقیق هایپرپارامترها، بهتون نشون میده چطور سیستمهایی بسازید که هم مقیاسپذیر باشن و هم بشه نتایجشون رو بازتولید کرد. با گذروندن این دوره، شما مهارتهای لازم برای خودکارسازی فرآیندها و ساختن سیستمهای یادگیری عمیق از صفر تا صد (End-to-End) رو به دست میارید و آماده میشید مدلهاتون رو از محیط آزمایشگاه به دلِ اپلیکیشنهای کاربردی بفرستید.
اهداف یادگیری
درک چرخه کامل حیات مدلهای یادگیری عمیق از برنامهریزی تا استقرار
یادگیری کار با ابزارهای MLOps برای مدیریت فرآیندها
استفاده از MLflow برای مدیریت و ردیابی مدلها و محیطهای کاری
بهینهسازی هایپرپارامترها با استفاده از فریمورک Optuna
ایجاد سیستمهای یادگیری ماشین مقیاسپذیر و قابل بازتولید
استقرار عملی مدلهای آموزشدیده برای استفاده در اپلیکیشنهای واقعی
اتوماسیون فرآیندهای یادگیری ماشین برای افزایش سرعت و دقت
اهداف یادگیری
درک چرخه کامل حیات مدلهای یادگیری عمیق از برنامهریزی تا استقرار
یادگیری کار با ابزارهای MLOps برای مدیریت فرآیندها
استفاده از MLflow برای مدیریت و ردیابی مدلها و محیطهای کاری
بهینهسازی هایپرپارامترها با استفاده از فریمورک Optuna
ایجاد سیستمهای یادگیری ماشین مقیاسپذیر و قابل بازتولید
استقرار عملی مدلهای آموزشدیده برای استفاده در اپلیکیشنهای واقعی
اتوماسیون فرآیندهای یادگیری ماشین برای افزایش سرعت و دقت
سرفصل ها
مقدمه
- چشمانداز و استراتژی فولاستک
- یادگیری عمیق فولاستک - MLOps و MLflow
- پیش نیازها
مروری بر یادگیری عمیق فولاستک
- اجزا - برنامهریزی و جمعآوری دادهها
- اجزا - آموزش و استقرار مدل
- مصنوعات در یادگیری عمیق فولاستک
- ابزارها - محاسبه، تنظیم و آزمایشها
- ابزارها - نسخهبندی، برچسبگذاری و ذخیرهسازی ویژگیها
- ابزارها - چارچوبهای یادگیری عمیق و اشکالزدایی
- ابزارها - APIها، رابطهای کاربری، CI CD و مانیتورینگ
MLOps با MLflow
- عملیات یادگیری ماشین (MLops)
- مدیریت چرخه عمر یادگیری ماشینی با MLflow
- راهاندازی محیط در Google Colab
- اجرای MLflow و استفاده از ngrok برای دسترسی به رابط کاربری MLflow
آموزش و ارزیابی مدل با استفاده از MLflow
- بارگذاری و کاوش مجموعه دادههای EMNIST
- ثبت پارامترهای معیارها و مصنوعات در MLflow
- تنظیم مجموعه داده و بارگذار داده
- پیکربندی مدل طبقهبندی تصویر DNN
- آموزش یک مدل در یک اجرای MLflow
- بررسی پارامترها و معیارها در MLflow
- انجام پیشبینیها با استفاده از مصنوعات MLflow
- آمادهسازی دادهها برای طبقهبندی تصویر با استفاده از CNN
- پیکربندی و آموزش مدل با استفاده از اجراهای MLflow
- مصورسازی نمودارها، معیارها و پارامترها در MLflow
تنظیم هایپرپارامتر با Optuna
- تنظیم تابع هدف برای تنظیم ابرپارامتر
- بهینهسازی هایپرپارامتر با Optuna و MLflow
- شناسایی بهترین مدل
- ثبت یک مدل با رجیستری MLflow
استقرار مدل و پیشبینیها
- راهاندازی MLflow روی دستگاه محلی
- راه حل برای دریافت مصنوعات مدل در دستگاه محلی
- استقرار و ارائه مدل به صورت محلی
نتیجهگیری
- خلاصه و مراحل بعدی