MLOps: مبانی CI/CD و استقرار مدل

مدرس KodeKloud

انتشار 2026/05/14

مدت زمان 5h 3m

سطح مناسب همه

فایل تمرینی ندارد

آموزش MLOps: Fundamentals of CI/CD and Model Deployment

از آنجایی که یادگیری ماشین در سیستم‌های نرم‌افزاری مدرن مرکزی می‌شود، مهندسان DevOps به مهارت‌های جدیدی برای مدیریت مدل‌ها در تولید نیاز دارند. این دوره به معرفی عملیات یادگیری ماشین (MLOps) می پردازد و نحوه گسترش روش های DevOps را برای گنجاندن گردش های کاری علم داده را پوشش می دهد. یک نمای کلی از چرخه عمر MLOps - از CI/CD و آموزش مداوم گرفته تا نظارت و حاکمیت - برای یادگیری نحوه کار با DataOps، ModelOps و DevOps دریافت کنید.با نحوه جمع‌آوری و آماده‌سازی داده‌ها با استفاده از ابزارهایی مانند Pandas، Apache Spark و Apache Kafka آشنا شوید، سپس فروشگاه‌های ویژگی‌ها و هماهنگ‌سازی خطوط لوله را با هم کاوش کنید. شما با MLflow برای ردیابی آزمایش و مدیریت مدل، و BentoML برای استقرار و سرویس دهی مدل، به طور عملی استفاده می کنید. در طول مسیر، درباره نظارت با Prometheus، Grafana، و Evidently و نحوه رسیدگی به مسائل رایج حریم خصوصی، امنیت و انطباق داده ها با استانداردهای GDPR، HIPAA و PCI بیاموزید.توجه: این دوره توسط KodeKloud ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.

Continuous Integration and Continuous Delivery (CI/CD) MLOs استقرار مدل

1. Introduction to MLOps

Course introduction ()

Getting started with the machine learning team ()

Introduction to the MLOps engineer role ()

Comparison with DevOps: MLOps = DataOps + DevOps + ModelOps ()

MLOps lifecycle ()

Continuous integration (CI), continuous deployment (CD), continuous training (CT), and continuous monitoring (CM) ()

Finding and exploring the right tools from DevOps for MLOps ()

MLOps architecture ()

2. Data Collection and Preparation

Data collection and preparation ()

Data ingestion: ETL ()

Data lakes ()

Data cleaning and data transformation ()

Small- and medium-sized datasets and data transformation: pandas and Polars ()

Demo: Small- and medium-sized datasets and data transformation—pandas and Polars ()

Large datasets: Apache Spark (PySpark) and Dask ()

Streaming datasets: Apache Kafka and Apache Flink ()

Demo: Stream data using Apache Kafka ()

What is feature store? ()

Data pipeline orchestration: Airflow and Prefect ()

Demo: Data pipeline orchestration ()

3. Model Development and Training

Model development ()

Model training and hyperparameter tuning ()

World of CPUs and GPUs ()

Introduction MLflow ()

Demo: Setting MLflow ()

Demo: Running an experiment and storing the result on MLflow ()

Demo: MLflow model artifact and versioning ()

4. Model Deployment and Serving

Model serving ()

Model drift and online/offline serving ()

Model deployment and serving ()

Demo: Model serving using BentoML ()

Demo: Upgrading model versions with BentoML serving ()

Monitoring tools: Prometheus, Grafana, and Evidently ()

5. Automating Insurance Claim Reviews with MLflow and BentoML

Deploy app for insurance agents to upload all insurance claims ()

Demo: Generate dummy data for the project ()

Demo: Set up MLflow server and run the ML experiment ()

Demo: Register the model and setup BentoML for serving ML models ()

Demo: Upgrade Python Flask app to connect to BentoML for online serving ()

6. Data Security and Governance

Data privacy and data security ()

Data access management ()

Data retention ()

Need of compliance and GDPR ()

HIPAA compliance ()

PCI compliance ()

Compliance consequences and penalties ()

Compliance summary ()

7. Sneak Peek into AWS SageMaker

Overview of SageMaker ()

Core components of SageMaker ()

MLOps with SageMaker ()

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.