دوره اتوماسیون یادگیری ماشین با ClearML Pipelines همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اتوماسیون یادگیری ماشین با ClearML Pipelines

موضوع کلی: ارزیابی سیستم‌های هوش مصنوعی

موضوع میانی: ClearML

📋 سرفصل‌های دوره

• 1. فصل ۱: مقدمه‌ای بر اتوماسیون یادگیری ماشین
• 2. فصل ۲: معرفی ClearML
• 3. فصل ۳: نصب و راه‌اندازی ClearML
• 4. فصل ۴: مفهوم Pipelines در ClearML
• 5. فصل ۵: ایجاد اولین Pipeline
• 6. فصل ۶: تعریف Task ها در Pipeline
• 7. فصل ۷: اتصالات بین Task ها
• 8. فصل ۸: پارامترها در Pipeline
• 9. فصل ۹: مدیریت داده‌ها در Pipeline
• 10. فصل ۱۰: Versioning Task ها
• 11. فصل ۱۱: Versioning Dataset ها
• 12. فصل ۱۲: اجرای Pipeline ها
• 13. فصل ۱۳: نظارت بر اجرای Pipeline
• 14. فصل ۱۴: Debugging Pipeline ها
• 15. فصل ۱۵: Workflow های پیچیده
• 16. فصل ۱۶: استفاده از Conditions
• 17. فصل ۱۷: استفاده از Loops
• 18. فصل ۱۸: اتوماسیون آموزش مدل
• 19. فصل ۱۹: اتوماسیون ارزیابی مدل
• 20. فصل ۲۰: اتوماسیون استقرار مدل
• 21. فصل ۲۱: CI/CD برای یادگیری ماشین
• 22. فصل ۲۲: نمونه‌های واقعی Pipeline
• 23. فصل ۲۳: Pipeline برای پردازش زبان طبیعی
• 24. فصل ۲۴: Pipeline برای بینایی کامپیوتر
• 25. فصل ۲۵: Pipeline برای یادگیری تقویتی
• 26. فصل ۲۶: تنظیمات پیشرفته Pipeline
• 27. فصل ۲۷: موازی‌سازی Task ها
• 28. فصل ۲۸: مدیریت منابع در Pipeline
• 29. فصل ۲۹: استفاده از Docker در Pipeline
• 30. فصل ۳۰: استفاده از Kubernetes با ClearML
• 31. فصل ۳۱: مدیریت Artifacts
• 32. فصل ۳۲: دسترسی به Artifacts
• 33. فصل ۳۳: مدیریت Secrets
• 34. فصل ۳۴: اتوماسیون Hyperparameter Tuning
• 35. فصل ۳۵: ابزارهای Grid Search
• 36. فصل ۳۶: ابزارهای Random Search
• 37. فصل ۳۷: ابزارهای Bayesian Optimization
• 38. فصل ۳۸: گزارش‌دهی نتایج Tuning
• 39. فصل ۳۹: اتوماسیون Feature Engineering
• 40. فصل ۴۰: Pipeline برای Feature Selection
• 41. فصل ۴۱: Pipeline برای Feature Transformation
• 42. فصل ۴۲: ذخیره و بازیابی Features
• 43. فصل ۴۳: Pipeline برای Data Augmentation
• 44. فصل ۴۴: اتوماسیون Labeling داده‌ها
• 45. فصل ۴۵: ادغام با ابزارهای Labeling
• 46. فصل ۴۶: Pipeline برای Data Drift Detection
• 47. فصل ۴۷: اتوماسیون Model Monitoring
• 48. فصل ۴۸: تعریف Alert ها
• 49. فصل ۴۹: Pipeline برای Model Retraining
• 50. فصل ۵۰: اتوماسیون A/B Testing مدل‌ها
• 51. فصل ۵۱: استقرار چندگانه مدل
• 52. فصل ۵۲: مدیریت Rollout ها
• 53. فصل ۵۳: Pipeline برای MLOps Orchestration
• 54. فصل ۵۴: ادغام با Jenkins
• 55. فصل ۵۵: ادغام با GitHub Actions
• 56. فصل ۵۶: ادغام با GitLab CI
• 57. فصل ۵۷: ادغام با Azure DevOps
• 58. فصل ۵۸: ادغام با AWS CodePipeline
• 59. فصل ۵۹: ادغام با Google Cloud Build
• 60. فصل ۶۰: امنیت در Pipelines
• 61. فصل ۶۱: بهترین شیوه‌ها برای Pipelines
• 62. فصل ۶۲: خطاها و استثناها در Pipelines
• 63. فصل ۶۳: مدیریت خطاها در Task ها
• 64. فصل ۶۴: مدیریت خطاها در Pipeline ها
• 65. فصل ۶۵: الگوهای طراحی Pipeline
• 66. فصل ۶۶: Pipeline های ماژولار
• 67. فصل ۶۷: Pipeline های قابل استفاده مجدد
• 68. فصل ۶۸: Pipeline های مقیاس‌پذیر
• 69. فصل ۶۹: تست Pipeline ها
• 70. فصل ۷۰: Mocking Task ها
• 71. فصل ۷۱: Unit Testing Pipeline ها
• 72. فصل ۷۲: Integration Testing Pipeline ها
• 73. فصل ۷۳: Performance Testing Pipeline ها
• 74. فصل ۷۴: Monitoring Pipeline Performance
• 75. فصل ۷۵: بهینه‌سازی زمان اجرای Pipeline
• 76. فصل ۷۶: کاهش هزینه‌ها در Pipelines
• 77. فصل ۷۷: استفاده از GPU در Pipeline ها
• 78. فصل ۷۸: تنظیمات پیشرفته GPU
• 79. فصل ۷۹: مدیریت محیط‌های مختلف
• 80. فصل ۸۰: Pipeline برای محیط‌های توسعه
• 81. فصل ۸۱: Pipeline برای محیط‌های Staging
• 82. فصل ۸۲: Pipeline برای محیط‌های Production
• 83. فصل ۸۳: استراتژی‌های Rollback
• 84. فصل ۸۴: اتوماسیون گزارش‌دهی
• 85. فصل ۸۵: داشبوردهای سفارشی
• 86. فصل ۸۶: اتوماسیون اطلاع‌رسانی
• 87. فصل ۸۷: ادغام با Slack
• 88. فصل ۸۸: ادغام با Email
• 89. فصل ۸۹: مدیریت دسترسی کاربران
• 90. فصل ۹۰: نقش‌ها و مجوزها
• 91. فصل ۹۱: Auditing دسترسی‌ها
• 92. فصل ۹۲: نمونه‌های پیشرفته Pipeline
• 93. فصل ۹۳: Pipeline های خودکار برای Discovery
• 94. فصل ۹۴: Pipeline های خودکار برای Research
• 95. فصل ۹۵: Pipeline های خودکار برای Production ML
• 96. فصل ۹۶: آینده اتوماسیون یادگیری ماشین
• 97. فصل ۹۷: ابزارها و فناوری‌های جدید
• 98. فصل ۹۸: مقایسه با ابزارهای دیگر
• 99. فصل ۹۹: جمع‌بندی و توصیه‌ها
• 100. فصل ۱۰۰: منابع بیشتر و جامعه ClearML