
خودآموز تعاملی
داربست — خودآموز MLOps و مهندسی سامانههای هوش مصنوعی (پیشرفته)
MLOps and model deployment tutorial, in Persian
۶ ترم۵۰ فصلکاملاً رایگان
MLOps به زبان عملی: مدل آموزشدیده باید برای مدتها و برای دیگران کار کند. تست و بستهبندی، مسیرِ داده، نسخهبندی، استقرار، پایش و رانش، بازآموزی، هزینه و اتکاپذیری. همه در Google Colab و با اندازهگیری، نه ادعا.
- MLOps و استقرار مدل
- نوتبوک در Google Colab
- سطح پیشرفته
- کدهای کامل در GitHub
نسخهٔ دانلودی این خودآموز هم هست:آموزش MLOps و مهندسی سامانههای هوش مصنوعی؛ استقرار، پایش و بازآموزی مدل یادگیری ماشین (خودآموز داربست)
فهرست فصلها
۶ ترم، ۵۰ فصل — به ترتیب.
۱کدی که میشود به آن تکیه کردترم ۱ · ۹ فصل

فصل ۰۱ — از نوتبوک به ماژول
فصل ۰۲ — اولین تست، برای کدی که داده میخورد
فصل ۰۳ — چرا تستِ کدِ یادگیری ماشین فرق دارد
فصل ۰۴ — قرارداد: تایپ و اعتبارسنجی
فصل ۰۵ — اشکالیابیِ روشمند
فصل ۰۶ — اول اندازه بگیر، بعد سریع کن
فصل ۰۷ — سریعتر، بدونِ GPU
فصل ۰۸ — همزمانی برای کارِ داده
فصل ۰۹ — پروژه: یک نوتبوکِ یادگیری ماشین را بسته کن
۲داده بهعنوان زیرساختترم ۲ · ۹ فصل

فصل ۰۱ — مسیرِ داده: از منبع تا ویژگی
فصل ۰۲ — قالبِ ذخیره، با عدد
فصل ۰۳ — اعتبارسنجیِ داده و قراردادِ اسکیما
فصل ۰۴ — نسخهبندیِ داده
فصل ۰۵ — برچسب: کیفیت، توافق، هزینه
فصل ۰۶ — مسیرِ متنِ فارسی در مقیاس
فصل ۰۷ — نمونهگیری و توازن، بدونِ نشتی
فصل ۰۸ — حریمِ خصوصی در مسیرِ داده
فصل ۰۹ — پروژه: یک مسیرِ دادهٔ بازتولیدپذیر
۳آزمایش، ردیابی، بازتولیدترم ۳ · ۸ فصل

۴استقرارترم ۴ · ۹ فصل

۵زنده نگه داشتنترم ۵ · ۸ فصل

































