تعلم MLOps للتعلم العميق باستخدام MLflow و PyTorch و TensorFlow

يمكن أن تصبح إدارة تجارب التعلم العميق فوضوية بسرعة مع تعديل المعلمات الفائقة (hyperparameters) وبنى الشبكات العصبية ومجموعات بيانات التدريب. بدون سير عمل منظم، يكاد يكون تتبع أي تشغيل للتدريب أدى إلى إنتاج أفضل نموذج أمراً مستحيلًا. يرشدك هذا الكورس النصي عبر أساسيات MLOps باستخدام MLflow لإحظام النظام في مشاريع التعلم العميق الخاصة بك. ستتعلم كيفية تسجيل المعلمات والمقاييس والملفات الناتجة بشكل منظم، مما يضمن أن تجاربك قابلة لإعادة الإنتاج وجاهزة للنشر بالكامل. ما ستتعلمه: فهم مفاهيم MLOps الأساسية ودور تتبع التجارب في سير العمل الحديث؛ تكوين تتبع MLflow لالتقاط المعلمات الفائقة والمقاييس وتفاصيل النظام؛ تسجيل نماذج PyTorch و TensorFlow والمعلمات ومنحنيات الخسارة أثناء التدريب؛ إدارة إصدارات النماذج والانتقالات باستخدام سجل نماذج MLflow؛ مقارنة تشغيلات التدريب المختلفة لتحديد أفضل تكوينات الشبكة العصبية أداءً؛ تطبيق أفضل الممارسات الحديثة لتغليف ونشر نماذج التعلم العميق. ستبدأ باستكشاف مبادئ MLOps الأساسية وإعداد بيئة تتبع MLflow الخاصة بك. من هناك، ستنتقل إلى برمجة نصوص PyTorch و TensorFlow، وتنشيط التجارب، واستخدام سجل النماذج للتحكم في الإصدارات. تم تصميم هذا الكورس لعلماء البيانات المبتدئين، وهواة التعلم الآلي، والمطورين الذين يرغبون في الانتقال من تدريب النماذج اليدوي إلى مسارات العمل المنظمة، دون الحاجة إلى خبرة سابقة في MLflow. ابدأ في بناء مسارات عمل للتعلم العميق منظمة واحترافية وقابلة لإعادة الإنتاج اليوم.