دوره استفاده از GitLab CI/CD برای خودکارسازی فرآیندهای MLOps همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب استفاده از GitLab CI/CD برای خودکارسازی فرآیندهای MLOps

موضوع کلی: برنامه نویسی

موضوع میانی: گیت‌لب CI/CD (GitLab CI/CD)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مبانی برنامه نویسی
• 2. مبانی Git
• 3. مفاهیم پایه کنترل نسخه
• 4. نصب و پیکربندی Git
• 5. دستورات پایه Git (commit, push, pull, status)
• 6. ساختار مخازن Git
• 7. مدیریت شاخه‌ها (branching)
• 8. ادغام شاخه‌ها (merging)
• 9. حل تعارضات (conflict resolution)
• 10. استفاده از Gitignore
• 11. مبانی GitLab
• 12. ساخت حساب کاربری GitLab
• 13. ایجاد پروژه در GitLab
• 14. مخازن در GitLab
• 15. Pull Requests (Merge Requests)
• 16. Code Review
• 17. ساختار پروژه GitLab
• 18. تنظیمات پروژه GitLab
• 19. مبانی CI/CD
• 20. مفهوم Continuous Integration
• 21. مفهوم Continuous Delivery
• 22. مفهوم Continuous Deployment
• 23. مزایای CI/CD
• 24. چرخه حیات CI/CD
• 25. ابزارهای CI/CD
• 26. مبانی GitLab CI/CD
• 27. معرفی GitLab CI/CD
• 28. فایل .gitlab-ci.yml
• 29. دستورات پایه در .gitlab-ci.yml
• 30. مفهوم Jobs
• 31. مفهوم Stages
• 32. مفهوم Pipelines
• 33. Runners در GitLab CI/CD
• 34. انواع Runners (Shared, Specific, Docker, Shell)
• 35. نصب و پیکربندی Runners
• 36. تنظیمات Runner
• 37. مفهوم Variables
• 38. انواع Variables (File, Env, Masked)
• 39. استفاده از Variables در .gitlab-ci.yml
• 40. استفاده از Scripts در Jobs
• 41. اجرای دستورات در Scripts
• 42. استفاده از `before_script` و `after_script`
• 43. مفهوم Caching
• 44. تنظیمات Caching
• 45. مفهوم Artifacts
• 46. تنظیمات Artifacts
• 47. استفاده از Docker در GitLab CI/CD
• 48. ساخت Image Docker
• 49. استفاده از Docker Images در Jobs
• 50. Build Docker Images به صورت خودکار
• 51. Deploy Docker Images به رجیستری
• 52. تنظیمات Docker Executor
• 53. استفاده از Kubernetes با GitLab CI/CD
• 54. اتصال GitLab به Kubernetes
• 55. Deploy به Kubernetes
• 56. استفاده از Helm با GitLab CI/CD
• 57. مبانی MLOps
• 58. مفهوم MLOps
• 59. چرخه حیات پروژه‌های ML
• 60. تفاوت ML با توسعه نرم‌افزار سنتی
• 61. اهمیت خودکارسازی در MLOps
• 62. ابزارهای MLOps
• 63. یکپارچه‌سازی MLOps با GitLab CI/CD
• 64. فازهای آماده‌سازی داده برای ML
• 65. پاکسازی داده
• 66. مهندسی ویژگی (Feature Engineering)
• 67. تقسیم داده (Train/Test Split)
• 68. مفهوم Model Training
• 69. تنظیمات Hyperparameter Tuning
• 70. ارزیابی مدل (Model Evaluation)
• 71. متریک‌های ارزیابی مدل
• 72. ذخیره مدل (Model Saving)
• 73. مفهوم Model Deployment
• 74. روش‌های Deploy مدل
• 75. API برای مدل
• 76. CI/CD برای Model Training
• 77. خودکارسازی Training Pipeline
• 78. اجرای خودکار Training با داده جدید
• 79. CI/CD برای Model Evaluation
• 80. خودکارسازی ارزیابی مدل
• 81. تست مدل (Model Testing)
• 82. CI/CD برای Model Deployment
• 83. خودکارسازی Deploy مدل
• 84. استقرار مدل در محیط Production
• 85. CI/CD برای A/B Testing مدل‌ها
• 86. CI/CD برای Canary Releases مدل‌ها
• 87. CI/CD برای Rollback مدل‌ها
• 88. مفهوم Data Versioning
• 89. ذخیره سازی داده‌های نسخه‌بندی شده
• 90. CI/CD برای Data Versioning
• 91. مفهوم Model Versioning
• 92. ذخیره سازی مدل‌های نسخه‌بندی شده
• 93. CI/CD برای Model Versioning
• 94. مفهوم Experiment Tracking
• 95. ابزارهای Experiment Tracking (MLflow, DVC)
• 96. ادغام Experiment Tracking با GitLab CI/CD
• 97. لاگ کردن متغیرها و متریک‌های Training
• 98. لاگ کردن هایپرپارامترها
• 99. لاگ کردن Artifacts مدل
• 100. مفهوم Feature Store