دوره آموزشی ابزارهای MLOps: MLflow و Hugging Face

دوره آموزشی ابزارهای MLOps: MLflow و Hugging Face

5 ساعت 14 دقیقهمتوسط2024-09-25

مدرسین

Pragmatic AI Labs

Pragmatic AI Labs

Alfredo Deza

Alfredo Deza

جزئیات دوره

در عصر کنونی، استفاده از مدل‌های یادگیری ماشین در صنایع مختلف روز به روز در حال گسترش است و برای پیاده‌سازی و مدیریت این مدل‌ها، ابزارهای حرفه‌ای و ساختارمندی نیاز است. یکی از این ابزارها، MLflow است که به شما کمک می‌کند تا چرخه عمر مدل‌های یادگیری ماشین را از مراحل ابتدایی مانند آزمایش و آموزش تا استقرار نهایی مدل مدیریت کنید. این پلتفرم به شما امکان می‌دهد تا پروژه‌ها را مدیریت کرده، مدل‌ها را ردیابی کنید و از رابط کاربری آن برای نظارت بر عملکرد مدل‌ها استفاده نمایید.

از سوی دیگر، Hugging Face یکی دیگر از پلتفرم‌های قدرتمند است که به شما اجازه می‌دهد مدل‌های پیشرفته‌ای مانند مدل‌های زبان بزرگ (LLMs) را آموزش داده و آن‌ها را در بسترهای مختلف استقرار دهید. یکی از ویژگی‌های برجسته Hugging Face، قابلیت همکاری با دیگران است که می‌توانید مدل‌ها را به راحتی به اشتراک بگذارید و یا دموهای تعاملی ایجاد کنید. علاوه بر این، Hugging Face این امکان را به شما می‌دهد که به مخازن داده و مدل‌های موجود در این پلتفرم دسترسی پیدا کرده و از آن‌ها برای بهبود پروژه‌های خود بهره ببرید.

با تسلط به این دو ابزار، می‌توانید مفاهیم MLOps را در پروژه‌های خود به کار ببرید و مدل‌های یادگیری ماشین خود را به صورت مؤثرتر مدیریت و استقرار دهید. از این طریق، قادر خواهید بود تا مدل‌ها را به طور بهینه تنظیم کرده و به شکلی کارآمد در محیط‌های واقعی از آن‌ها بهره‌برداری کنید.

اهداف یادگیری:
درک اصول اولیه MLOps
تنظیم دقیق و استقرار مدل‌های کانتینری
اعمال مفاهیم MLOps به موارد استفاده واقعی

مهارت ها

Hugging FaceMachine LearningArtificial Intelligence (AI)One-Off

سرفصل ها

مقدمه

  • معرفی پلتفرم‌های MLOps

مقدمه ای بر MLflow

  • مروری بر MLflow
  • نصب و استفاده از MLflow
  • مقدمه ای بر رابط کاربری ردیابی
  • پارامترها، نسخه، مصنوعات و معیارها

پروژه‌های MLflow

  • کار با پروژه‌های MLflow
  • یک پروژه MLflow ایجاد کنید
  • پروژه‌ها را از مخازن راه دور Git اجرا کنید
  • اتصال MLflow به Databricks

مدل‌های MLflow

  • اجزای بسته MLflow
  • از رجیستری با مدل MLflow استفاده کنید
  • ارجاع مصنوعات با API
  • ذخیره و سرویس مدل‌های MLflow

مقدمه ای بر صورت در آغوش گرفتن

  • صورت در آغوش گرفتن چیست
  • نمای کلی Hugging Face Hub
  • مقدمه ای بر Hugging Face Hub
  • استفاده از مخازن Hugging Face
  • استفاده از فضاهای در آغوش گرفتن صورت

مقدمه ای بر صورت بغل کردن کاربردی

  • مقدمه ای بر صورت بغل کردنی کاربردی
  • استفاده از Codespace‌های مجهز به GPU
  • استفاده از Hugging Face CLI

استفاده از صورت در آغوش گرفتن

  • استفاده از مدل هاب
  • دانلود مدل
  • کار با مدل ها
  • افزودن مجموعه داده ها
  • استفاده از مجموعه داده ها
  • کار با مجموعه داده ها

بسته بندی صورت در آغوش

  • صورت در آغوش گرفته و FastAPI
  • ظروف صورت در آغوش
  • اجرای FastAPI با صورت در آغوش گرفته
  • بسته بندی سی دی CI با GitHub Actions

Hugging Face و Azure ML Studio

  • Hugging Face و Azure ML Studio
  • ثبت مجموعه داده Hugging Face در Azure
  • ثبت مدل صورت در آغوش گرفته در Azure
  • بازرسی مجموعه داده Hugging Face در Azure
  • Azure ML Python SDK

اتوماسیون صورت در آغوش گرفتن

  • استفاده از GitHub Actions برای استقرار مدل
  • استفاده از Azure Container Registry
  • بسته بندی خودکار با رجیستری ظروف Azure
  • اتوماسیون بسته بندی Docker Hub

صورت در آغوش گرفته با ظروف لاجوردی

  • یک برنامه کانتینر Azure ایجاد کنید
  • یک برنامه کانتینر Azure را پیکربندی کنید
  • در آغوش گرفتن صورت را به Azure بفرستید
  • عیب یابی استقرار کانتینر

تنظیم دقیق و Export ONNX

  • مقدمه ای بر تئوری تنظیم دقیق
  • انجام تنظیم دقیق
  • مقدمه ای بر ONNX و Hugging Face
  • Export مدل‌های صورت در آغوش گرفته به ONNX

فضاهای صورت در آغوش گرفتن

  • مقدمه ای بر فضاهای صورت در آغوش گرفتن
  • مروری بر فضاهای صورت در آغوش گرفتن
  • استقرار در فضاهای در آغوش گرفتن صورت
۱۰۰,۰۰۰ تومان