فلش‌کارت‌های آموزشی ساخت و مدیریت خطوط لوله یادگیری ماشین با ابزارهای متن‌باز و ابری (TensorFlow Extended, MLflow)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و مدیریت خطوط لوله یادگیری ماشین با ابزارهای متن‌باز و ابری (TensorFlow Extended, MLflow)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعه و مدیریت خطوط لوله یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین و هوش مصنوعی
• 2. مقدمه‌ای بر خطوط لوله یادگیری ماشین
• 3. اهمیت خطوط لوله در پروژه‌های ML
• 4. چرخه حیات پروژه یادگیری ماشین
• 5. معرفی TensorFlow Extended (TFX)
• 6. مفاهیم کلیدی TFX: اجزا و جریان کار
• 7. نصب و پیکربندی محیط TFX
• 8. اولین خط لوله TFX: بررسی اجمالی
• 9. آماده‌سازی داده‌ها برای TFX
• 10. انجام تبدیل و مهندسی ویژگی با TFX Transform
• 11. اعتبارسنجی داده‌ها با TFX Data Validation
• 12. آموزش مدل با TensorFlow در TFX
• 13. ارزیابی مدل و معیارهای عملکرد
• 14. استقرار مدل آموزش‌دیده
• 15. مقدمه‌ای بر MLflow
• 16. نصب و پیکربندی MLflow
• 17. ردیابی آزمایش‌ها و پارامترها در MLflow
• 18. ثبت مصنوعات و معیارهای مدل
• 19. مدیریت نسخه‌های مدل در MLflow
• 20. استقرار مدل‌ها با MLflow
• 21. معرفی Cloud Composer (Apache Airflow)
• 22. مبانی Apache Airflow
• 23. نصب و پیکربندی Cloud Composer
• 24. نوشتن DAGها در Airflow
• 25. زمان‌بندی و اجرای گردش کار
• 26. مدیریت وابستگی‌ها در Airflow
• 27. اتصال Airflow به سرویس‌های ابری
• 28. ادغام TFX با Airflow
• 29. ساخت خط لوله TFX قابل اجرا در Airflow
• 30. خودکارسازی آموزش مدل با Airflow
• 31. زمان‌بندی ارزیابی و اعتبارسنجی مدل
• 32. استقرار خودکار مدل‌ها
• 33. نظارت بر خطوط لوله ML
• 34. مدیریت خطا و بازیابی در خطوط لوله
• 35. ثبت و لاگ‌برداری در خطوط لوله ML
• 36. بازنگری و بهبود خطوط لوله
• 37. مفاهیم MLOps
• 38. اصول DevOps برای ML
• 39. تست در خطوط لوله ML
• 40. کنترل نسخه برای کد و داده
• 41. حاکمیت داده در خطوط لوله ML
• 42. امنیت در خطوط لوله ML
• 43. کاربرد TFX در سناریوهای واقعی
• 44. کاربرد MLflow در پروژه‌های بزرگ
• 45. استفاده از Composer برای ارکستراسیون پیچیده
• 46. مدیریت مدل‌های چند فریم‌ورکی
• 47. استراتژی‌های بازاستفاده از اجزای خط لوله
• 48. توسعه خطوط لوله مقیاس‌پذیر
• 49. بهینه‌سازی عملکرد خطوط لوله
• 50. پیش‌پردازش داده‌های پیچیده
• 51. هوش مصنوعی توضیحی (XAI) در خطوط لوله
• 52. استفاده از TensorFlow Probability
• 53. تکنیک‌های تنظیم ابرپارامترها
• 54. یادگیری انتقالی و تنظیم دقیق مدل‌ها
• 55. مدیریت داده‌های حجیم در خطوط لوله
• 56. استفاده از ابزارهای پردازش توزیع‌شده
• 57. خطوط لوله برای مدل‌های پردازش زبان طبیعی (NLP)
• 58. خطوط لوله برای مدل‌های بینایی ماشین (CV)
• 59. استفاده از TensorFlow Lite برای استقرار
• 60. مفاهیم یادگیری تقویتی (RL)
• 61. خطوط لوله برای مدل‌های یادگیری تقویتی
• 62. مقدمه‌ای بر یادگیری فدرال
• 63. خطوط لوله برای یادگیری فدرال
• 64. رابطه بین TFX، MLflow و Composer
• 65. یکپارچه‌سازی کامل خط لوله
• 66. استراتژی‌های مدیریت چرخه حیات مدل
• 67. ملاحظات اخلاقی در هوش مصنوعی
• 68. مسئولیت‌پذیری در خطوط لوله ML
• 69. شفافیت در مدل‌های هوش مصنوعی
• 70. مطابقت با مقررات داده‌ها
• 71. مدیریت ریسک در پروژه‌های ML
• 72. ابزارهای کمکی برای MLOps
• 73. تکنیک‌های ارزیابی مدل‌های نامتعادل
• 74. استفاده از مدل‌های Ensemble
• 75. خطوط لوله برای مدل‌های سری زمانی
• 76. پیش‌بینی و بهینه‌سازی با ML
• 77. مدیریت داده‌های بدون برچسب
• 78. یادگیری نیمه‌نظارتی
• 79. تکنیک‌های کاهش ابعاد
• 80. تحلیل اکتشافی داده‌ها (EDA)
• 81. داده‌کاوی و کشف الگو
• 82. مقدمه‌ای بر گراف‌های دانش
• 83. استفاده از TFX برای ساخت گراف دانش
• 84. MLflow برای مدیریت مدل‌های گراف دانش
• 85. Composer برای ارکستراسیون پردازش گراف
• 86. یادگیری عمیق در خطوط لوله ML
• 87. شبکه‌های عصبی کانولوشنی (CNN)
• 88. شبکه‌های عصبی بازگشتی (RNN)
• 89. ترنسفورمرها در NLP
• 90. خطوط لوله برای مدل‌های ترنسفورمر
• 91. ارزیابی مدل‌های پیچیده
• 92. بهینه‌سازی خطوط لوله برای زمان واقعی
• 93. استفاده از ابزارهای مانیتورینگ پیشرفته
• 94. مدیریت دانش در تیم‌های MLOps
• 95. ترویج فرهنگ MLOps در سازمان
• 96. مستندسازی خطوط لوله ML
• 97. آموزش و توسعه مهارت‌های MLOps
• 98. آینده خطوط لوله یادگیری ماشین
• 99. نوآوری در ابزارهای MLOps
• 100. بررسی چالش‌های پیش رو در MLOps