دوره مقدمه‌ای کاربردی بر Kubeflow برای مهندسان داده و توسعه‌دهندگان همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای کاربردی بر Kubeflow برای مهندسان داده و توسعه‌دهندگان

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مدیریت چرخه عمر یادگیری ماشین (MLOps)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. مقدمه‌ای بر MLOps
• 5. اهمیت MLOps در چرخه عمر ML
• 6. معرفی Kubeflow
• 7. چرا Kubeflow؟
• 8. نصب و پیکربندی Kubeflow
• 9. معماری Kubeflow
• 10. اجزای اصلی Kubeflow
• 11. Pipelines در Kubeflow
• 12. ساخت اولین Pipeline
• 13. اجرای Pipeline در Kubeflow
• 14. مدیریت Pipeline
• 15. ورژن‌بندی Pipeline
• 16. کامپوننت‌های Pipeline
• 17. TensorFlow Extended (TFX) در Kubeflow
• 18. ML Metadata در Kubeflow
• 19. KFP SDK
• 20. ساخت کامپوننت‌های سفارشی
• 21. استفاده از کامپوننت‌های از پیش ساخته شده
• 22. مدیریت داده‌ها در Kubeflow
• 23. ذخیره‌سازی داده‌ها
• 24. دسترسی به داده‌ها
• 25. ورژن‌بندی داده‌ها
• 26. Data Validation در TFX
• 27. Data Transformation در TFX
• 28. Model Training در TFX
• 29. Hyperparameter Tuning با Katib
• 30. نصب و پیکربندی Katib
• 31. طراحی فضای جستجو
• 32. استراتژی‌های جستجو
• 33. اجرای آزمون‌های هایپرپارامتر
• 34. تحلیل نتایج Katib
• 35. Serving مدل‌ها با KFServing
• 36. معماری KFServing
• 37. استقرار مدل‌های TensorFlow
• 38. استقرار مدل‌های PyTorch
• 39. استقرار مدل‌های Scikit-learn
• 40. مدیریت ورژن مدل‌ها
• 41. A/B Testing با KFServing
• 42. Canary Deployment با KFServing
• 43. نظارت بر مدل‌ها (Monitoring)
• 44. جمع‌آوری متریک‌ها
• 45. ابزارهای نظارت
• 46. تشخیص افت عملکرد مدل
• 47. بازآموزی مدل‌ها
• 48. مدیریت مدل‌ها (Model Registry)
• 49. ذخیره‌سازی مدل‌ها
• 50. Version Control برای مدل‌ها
• 51. ردیابی مدل‌ها
• 52. امنیت در Kubeflow
• 53. احراز هویت و مجوزدهی
• 54. مدیریت دسترسی‌ها
• 55. امنیت در Pipelines
• 56. امنیت در KFServing
• 57. امنیت در Katib
• 58. بهینه‌سازی منابع در Kubeflow
• 59. مدیریت منابع (Resource Management)
• 60. استفاده بهینه از CPU و GPU
• 61. مقیاس‌پذیری Kubeflow
• 62. Kubeflow و Kubernetes
• 63. ارتباط Kubeflow با Kubernetes
• 64. استفاده از Custom Resources
• 65. Custom Controllers در Kubeflow
• 66. Kubeflow Pipelines و Workflow Orchestration
• 67. Kubeflow و Big Data
• 68. Spark در Kubeflow
• 69. Hive در Kubeflow
• 70. Jupyter Notebooks در Kubeflow
• 71. Kubeflow و CI/CD
• 72. ادغام Kubeflow با Jenkins
• 73. ادغام Kubeflow با GitHub Actions
• 74. خودکارسازی چرخه عمر ML
• 75. ملاحظات عملی در MLOps
• 76. انتخاب ابزار مناسب
• 77. مدیریت هزینه‌ها
• 78. استانداردهای کدنویسی در MLOps
• 79. مستندسازی در MLOps
• 80. تیم‌سازی برای MLOps
• 81. چالش‌های MLOps
• 82. آینده MLOps
• 83. هوش مصنوعی اخلاقی در MLOps
• 84. شفافیت در مدل‌های ML
• 85. قابلیت تفسیرپذیری مدل‌ها
• 86. یادگیری ماشین قابل توضیح (XAI)
• 87. ملاحظات قانونی در ML
• 88. حریم خصوصی داده‌ها
• 89. مقررات مربوط به داده‌ها
• 90. تست و اعتبارسنجی مدل‌ها
• 91. مدیریت ریسک در پروژه‌های ML
• 92. استراتژی‌های استقرار مدل
• 93. ارزیابی مداوم عملکرد مدل
• 94. بازخورد کاربران و بهبود مدل
• 95. مدیریت دانش در تیم‌های ML
• 96. آموزش مداوم در حوزه ML
• 97. ابزارهای کمکی MLOps
• 98. نکات تکمیلی برای Kubeflow
• 99. منابع بیشتر برای یادگیری
• 100. جمع‌بندی و گام‌های بعدی