دوره آموزشی MLOps و هماهنگی خطوط داده برای سیستمهای هوش مصنوعی
1 ساعت 19 دقیقهمتوسط2025-05-27
مدرسین
Janani Ravi
Certified Google Cloud Architect and Data Engineer
جزئیات دوره
این دوره به شما یاد میده چطور فرایندهای یادگیری ماشین رو اتوماتیک و مدیریت کنید؛ از مرحله جمعآوری دادهها گرفته تا مرحله پیادهسازی مدلها. با مدرس دوره، جانانی راوی، همراه میشید و یاد میگیرید چطور خطوط داده (data pipelines) رو به بهترین شکل سازماندهی و بهینه کنید تا سیستمهای هوش مصنوعی در محیطهای عملیاتی، به صورت کارآمد، مقیاسپذیر و قابل اطمینان کار کنن.
این دوره برای همه کسایی که با هوش مصنوعی، زیرساخت دادهها و عملیات یادگیری ماشین (MLOps) سر و کار دارن مناسبه؛ مثل مهندسین داده، مهندسین هوش مصنوعی و یادگیری ماشین، مهندسین MLOps و حتی مهندسین DevOps که میخوان وارد این حوزه بشن.
اهداف یادگیری این دوره
مدیریت و اتوماتیک کردن فرایندهای یادگیری ماشین از ابتدا تا انتها
بهینهسازی خطوط داده برای کارایی و مقیاسپذیری بهتر سیستمهای AI
سازماندهی و هماهنگی فرایندهای داده و مدل در محیطهای تولیدی
شناخت ابزارها و تکنیکهای اصلی در MLOps و DevOps مرتبط با AI
آشنایی با چالشها و راهحلهای عملی در پیادهسازی سیستمهای هوش مصنوعی
این دوره برای همه کسایی که با هوش مصنوعی، زیرساخت دادهها و عملیات یادگیری ماشین (MLOps) سر و کار دارن مناسبه؛ مثل مهندسین داده، مهندسین هوش مصنوعی و یادگیری ماشین، مهندسین MLOps و حتی مهندسین DevOps که میخوان وارد این حوزه بشن.
اهداف یادگیری این دوره
مدیریت و اتوماتیک کردن فرایندهای یادگیری ماشین از ابتدا تا انتها
بهینهسازی خطوط داده برای کارایی و مقیاسپذیری بهتر سیستمهای AI
سازماندهی و هماهنگی فرایندهای داده و مدل در محیطهای تولیدی
شناخت ابزارها و تکنیکهای اصلی در MLOps و DevOps مرتبط با AI
آشنایی با چالشها و راهحلهای عملی در پیادهسازی سیستمهای هوش مصنوعی
مهارت ها
Machine LearningData EngineeringArtificial Intelligence FoundationsArtificial Intelligence (AI)Data ScienceOne-Off
سرفصل ها
۰. مقدمه
- 01 - اهمیت MLOps
- 02 - پیش نیازها
۱. نیاز به MLOps
- 03 - توسعه Agile و DevOps
- 04 - معرفی MLOps
- 05 - چرخه حیات MLOps
- 06 - ردیابی مصنوعات در MLOps
۲. MLOps با MLflow
- 07 - معرفی MLflow
- 08 - نصب MLflow و آمادهسازی دادهها برای یادگیری ماشین
- 09 - اجرای یک مدل را پیگیری کنید و یک مدل را ثبت کنید
- 10 - نسخههای متعدد مدل و پیشبینیها با استفاده از مدلهای ثبتشده
۳. LLMOps برای مدلهای زبانی بزرگ
- 11- معرفی LLMOps
- 12 - LLMOps در مقابل MLOps
- 13- توسعه و ارزیابی مدل LLM
- 14- استقرار و عملیات مدل LLM
- 15 - مزایا، بهترین شیوهها و ملاحظات مربوط به LLMOps
۴. خطوط لوله هماهنگسازی دادهها
- 16- اجزای یک خط لوله هماهنگسازی دادهها
- 17 - بررسی اجمالی اجزای خط لوله
- 18- بهترین شیوههای هماهنگسازی خط لوله دادهها و بایدها و نبایدها
نتیجهگیری
- 19 - خلاصه و مطالعه بیشتر
دوره های مرتبط
- دوره آموزشی یادگیری جامع پایتون برای علم داده و یادگیری ماشین بخش اول
- دوره آموزشی مبانی هوش مصنوعی: شبکه های عصبی
- دوره آموزشی یادگیری ماشین و آمار فضایی در پایتون
- دوره آموزشی راهنمای کامل Google BigQuery برای مهندسان داده و یادگیری ماشین
- دوره آموزشی یادگیری ماشین کاربردی: برآورد ارزش
- دوره آموزشی یادگیری ماشین کاربردی: یادگیری نظارتشده
- دوره آموزشی یادگیری ماشین در مخابرات: از مبانی تا نمونههای واقعی
- دوره آموزشی Power BI: ترکیب هوش مصنوعی با دادهها