Oreilly – Machine Learning Platform Engineering, Video Edition 2026-2

در تاریخ: 1405/06/29 7:58:06

توضیحات

دوره Machine Learning Platform Engineering, Video Edition. این دوره آموزشی تخصصی به یادگیری اصول مهندسی پلتفرم یادگیری ماشین و نحوه استقرار مدل‌ها از محیط آزمایشگاه به محیط عملیاتی می‌پردازد. ارائه موفقیت‌آمیز یک پروژه یادگیری ماشین همواره با چالش‌های فراوانی همراه است، اما مهندسی پلتفرم یادگیری ماشین این روند را بسیار ساده‌تر و ساختاریافته‌تر می‌کند. در این دوره آموزشی، فراگیران یاد می‌گیرند که چگونه یک سیستم یادگیری ماشین قابل اعتماد را از پایه طراحی کنند و با تلفیق مفاهیم عملیات یادگیری ماشین و عملیات توسعه نرم‌افزار، زیرساخت‌های قدرتمندی را به کار بگیرند. این دوره از مجموعه‌ای از ابزارهای اثبات‌شده زیرساختی مانند کوب‌فلو، ام‌ال‌فلو، بنتو‌ام‌ال، اویدنتلی و فیست بهره می‌برد تا فرآیند پیاده‌سازی را بهینه‌سازی کند. یک سیستم یادگیری ماشین که به درستی طراحی شده باشد، جریان‌های کاری داده‌ها را ساده‌تر کرده، همکاری میان تیم‌های داده و عملیات را بهبود می‌بخشد و ساختار لازم برای آموزش و استقرار مدل‌ها را فراهم می‌آورد. سیستم‌های هوش مصنوعی و یادگیری ماشین دارای اجزای متعددی هستند؛ از کتابخانه‌های زبان و چارچوب‌های کاربردی گرفته تا زیرساخت‌های استقرار و مدل‌های پیشرفته زبان بزرگ. یک پلتفرم توسعه داخلی خوش‌ساخت، مجموعه‌ای از ابزارها و دستورالعمل‌های مشخص را در اختیار توسعه‌دهندگان قرار می‌دهد تا سرعت فرآیند توسعه افزایش یابد و در عین حال ثبات، امنیت و تجربه کاربری ارتقا پیدا کند. این دوره به فراگیران نشان می‌دهد که چگونه یک پلتفرم توسعه داخلی مؤثر برای برنامه‌های کاربردی هوش مصنوعی و یادگیری ماشین بسازند. هر فصل به بررسی بخش حیاتی از چرخه کاری یادگیری ماشین، از جمله راه‌اندازی خطوط لوله ارکستراسیون، انتخاب مدل‌ها، تخصیص منابع برای آموزش و استقرار می‌پردازد. در نهایت، شرکت‌کنندگان ابزارها و دانش لازم برای ساخت یک پلتفرم مدرن و همه‌کاره را کسب خواهند کرد تا بتوانند حداکثر مزایای زیرساخت‌های خودکارسازی‌شده را به دست آورند.

آنچه فرا خواهید گرفت

راه‌اندازی پلتفرم عملیات یادگیری ماشین: ایجاد و پیکربندی زیرساخت‌های جامع برای مدیریت چرخه‌های حیات داده و مدل.
استقرار مدل‌ها در محیط عملیاتی: انتقال مدل‌های یادگیری ماشین و هوش مصنوعی از محیط‌های آزمایشی به محیط‌های واقعی تولید.
ساخت خطوط لوله داده: طراحی و پیاده‌سازی جریان‌های داده سرتاسری برای پردازش و انتقال اطلاعات.
پایش و ارزیابی مؤثر: پیاده‌سازی سیستم‌های نظارتی برای بررسی عملکرد مدل‌ها و تضمین قابلیت توضیح‌پذیری آن‌ها.
مدیریت منابع و تخصیص سخت‌افزار: بهینه‌سازی منابع مورد نیاز برای آموزش، استقرار و ارائه خدمات مدل.
کار با ابزارهای منبع باز: استفاده کاربردی از ابزارهای مدرن صنعت مانند کوب‌فلو، ام‌ال‌فلو، بنتو‌ام‌ال، اویدنتلی، فیست و لنگ‌چین.

این دوره مناسب افرادیست که

دانشمندان داده: افرادی که به دنبال انتقال مدل‌های ساخته شده خود از محیط تحقیق به بخش عملیاتی هستند.
مهندسان نرم‌افزار: برنامه‌نویسانی که قصد دارند دانش خود را در زمینه پیاده‌سازی زیرساخت‌های یادگیری ماشین گسترش دهند.
متخصصان زیرساخت و توسعه: افرادی که مسئولیت مدیریت ابزارها و پلتفرم‌های توسعه داخلی در سازمان‌ها را بر عهده دارند.
مهندسان هوش مصنوعی: علاقه‌مندانی که می‌خواهند فرآیند استقرار، پایش و مقیاس‌پذیری مدل‌های هوش مصنوعی را به صورت حرفه‌ای فرا گیرند.